Perpustakaan Digital ITB

Optimasi parameter dengan analisis termodinamika dalam keadaan tunak berlaku untuk satu keadaan yang ditinjau saja, padahal operasi pembangkit listrik tenaga panas bumi (PLTP) dipengaruhi keadaan sumur dan keadaan udara lingkungan yang berubah-ubah. Tujuan tugas sarjana ini adalah mengembangkan sebuah kontrol pengawasan dengan optimasi multitujuan atau multi-objective optimization (MOO) berbasis pembelajaran mesin dan menerapkannya pada sebuah model dinamik PLTP untuk mengoptimasi parameter PLTP secara berkala dengan dua fungsi tujuan: daya keluaran dan efisiensi penggunaan. Model dinamik dikembangkan dengan Simulink dan divalidasi dengan data pengukuran langsung dari PLTP Dieng. Model dinamik digunakan untuk menghasilkan data latihan beberapa model pembelajaran mesin. Model pembelajaran mesin terbaik dipilih sebagai fungsi tujuan pada algoritma MOO. Algoritma MOO yang digunakan adalah Non-Dominated Sorting Genetic Algorithm II (NSGA-II). MOO berbasis pembelajaran mesin diterapkan pada model dinamik. Validasi model dinamik menunjukkan kesalahan rata-rata sebesar 2,32% untuk setiap keluaran model komponen PLTP dibandingkan data hasil pengukuran dan 3,66% untuk perhitungan penghancuran eksergi dibandingkan hasil perhitungan referensi. Model pembelajaran mesin yang dipilih adalah Random Forest dengan RMSE 194 kW untuk prediksi daya keluaran dan 0,20% untuk prediksi efisiensi penggunaan. Validasi algoritma NSGA-II menunjukkan distance metric rata-rata sebesar 2,64 x 10-3. Penerapan integrasi algoritma MOO dengan pembelajaran mesin sebagai kontrol pengawasan menunjukkan peningkatan daya rata-rata sebesar 731,05 kW atau 2,27%. Untuk efisiensi penggunaan, peningkatan rata-rata yang diperoleh adalah 0,7%.