Perpustakaan Digital ITB

Perkembangan konsep digital twin (DT) membuka ranah penelitian baru yaitu microgrid digital twin (MGDT). DT dapat dimanfaatkan sebagai lingkungan pengujian kontrol sebelum diimplementasikan secara langsung di sistem Mikrogrid (MG) yang sedang berproduksi. Hal tersebut dimungkinkan karena DT dapat memberikan representasi digital sistem fisik secara akurat, terkini, dan dinamis. Hingga saat ini belum ada yang mengimplementasikan konsep MGDT untuk pengujian Energy Management System (EMS). Bahkan belum ada pengembangan kerangka kerja DT spesifik untuk aplikasi MG. Melihat kondisi tersebut, penelitian ini berkontribusi pada tiga hal: (1) pengembangan kerangka kerja MGDT, (2) pemodelan MG dengan metode informed machine learning (IML), dan (3) desain serta implementasi EMS menggunakan metode Deep Q-Network (DQN) dengan konsep MGDT. EMS mempunyai objektif untuk mengoptimalkan penggunaan energi terbarukan yang diindikasikan dengan nilai renewable fraction (RF). Kerangka kerja MGDT yang diusulkan menyediakan arsitektur dan peralatan yang memungkinkan pengembangan MGDT. Selanjutnya, sistem MG direpresentasikan dalam tiga state (digital model) yang meliputi produksi daya PV (P_PV), kondisi muatan BESS (SOC), dan daya yang dibutuhkan beban listrik (P_Load). Model dibangun dengan metode informed machine learning (IML) yang mengintegrasikan kaidah fisika ke dalam machine learning (ML). Peningkatan level integrasi dari digital model menjadi digital shadow dilakukan dengan mengimplementasikan model MG pada platform MGDT. Hasil evaluasi model MG berdasarkan indikator kinerja MAE dan RMSE untuk P_PV, SOC, dan P_Load berturut-turut adalah (140,39W; 265,71W), (0,59%; 0,69%) dan (42,50W; 60,97W). Akurasi digital shadow MG tersebut sudah memadai karena masih dalam batas toleransi galat yang diperbolehkan. Digital twin MG dicapai melalui implementasi EMS dengan metode DQN pada platform MGDT. Hasil implementasi EMS-DQN menunjukkan peningkatan battery utilization rata-rata 52% dibandingkan dengan EMS existing yang berbasis rule-based (RB). EMS-DQN mampu meningkatkan renewable fraction rata-rata 7,10% dibandingkan dengan EMS-RB.