Perpustakaan Digital ITB

Penggunaan mikrogrid (MG) cerdas sampai saat ini masih menghadapi beberapa tantangan, seperti degradasi kinerja yang disebabkan oleh kondisi lingkungan yang tidak stabil atau kesalahan dalam operasi sistem. Penerapan Micro Grid Digital Twin (MGDT) dalam sistem MG cerdas memungkinkan untuk menganalisis dan mengoptimalkan performa MG dengan memanfaatkan data yang dihasilkan dari MGDT pada platform digital twin (DT). Dalam konteks MG cerdas, kemampuan model digital dalam memprediksi kinerja MG, terutama dalam pemodelan beban listrik, menjadi krusial. Pola konsumsi energi listrik pada MG cerdas cenderung bervariatif sehingga mengakibatkan model digital mengalami kesulitan dalam mencerminkan kondisi aktual dari beban listrik yang ada. Prediksi yang akurat dapat membantu dalam mengidentifikasi pola permintaan listrik, tren konsumsi, dan perubahan beban yang signifikan sehingga pengelolaan sumber daya pada MG lebih efisien. Pada penelitian ini, dilakukan pengembangan model digital untuk prediksi konsumsi energi listrik pada sistem MGcerdas di Laboratorium Manajemen Energi, Teknik Fisika, Institut Teknologi Bandung. Alur pengembangan model digital menggunakan kerangka kerja Cross Industry Standard for Data Mining (CRISPDM) yang melibatkan data historis dan pembelajaran mendalam. Pemodelan dilakukan dengan beberapa skenario data latih yang mempertimbangkan pola konsumsi energi listrik. Hasil evaluasi menunjukkan bahwa pemodelan dengan pola konsumsi energi 12 bulan memiliki kinerja yang paling baik. Adapun pembelajaran mendalam yang digunakan adalah Deep Neural Networks (DNN), Recurrent Neural Networks (RNN), dan Long Short-Term Memory (LSTM). Hasil evaluasi di setiap metrik evaluasi menunjukkan bahwa model RNN memiliki akurasi yang lebih baik dibandingkan model DNN dan LSTM. Adapun nilai MAE, RMSE, dan MAPE yang dihasilkan oleh model RNN ketika dilakukan pengujian dengan data uji secara berturut-turut adalah 46,37 W; 68,33 W; dan 5,85%. Hasil menunjukkan bahwa model yang dikembangkan memiliki kinerja yang lebih baik dari model DNN existing dengan peningkatan kinerja sebesar 16,07% pada MAPE.