Perpustakaan Digital ITB

Tingginya fluktuasi kecepatan pada kendaraan listrik roda tiga (E-Trike) di kondisi lalu lintas perkotaan menuntut sistem manajemen energi yang adaptif. Pengereman regeneratif merupakan solusi utama, namun algoritma Reinforcement Learning konvensional kerap kesulitan mengompromikan serapan energi dengan kehalusan pengereman karena fungsi imbalannya disusun sebagai penjumlahan berbobot yang bersifat linear. Penelitian ini mengusulkan modifikasi fungsi imbalan berbasis Game Theory menggunakan ekuilibrium Nash Bargaining Solution pada agen Deep Deterministic Policy Gradient (GT-DDPG). Algoritma ini dirancang untuk menyelesaikan konflik antara empat objektif fisis: pemulihan energi, efisiensi kinetik, keamanan baterai, dan kehalusan aktuator. Evaluasi sistem dilakukan melalui simulasi MATLAB/Simulink menggunakan profil kecepatan Worldwide Harmonised Light Vehicles Test Procedure (WLTP) Class 1 selama 5.114 langkah waktu. Melalui eksperimen saturasi bobot, konfigurasi rasio bobot w? = 2 dan w? = 0,5 dipilih sebagai titik ekuilibrium operasional karena merupakan rasio tertinggi yang masih mempertahankan kebijakan agen bersifat adaptif. Hasil pengujian komparatif menunjukkan bahwa agen GT-DDPG mampu mengambil alih 35,24% (60,71 Wh) dari total 172,3 Wh beban pengereman yang pada kendaraan tanpa regenerasi seluruhnya terbuang sebagai panas. Pemulihan arus balik pada deselerasi lambat khas perkotaan ini memberikan penghematan kapasitas baterai murni (absolute State of Charge) sebesar 1,13% per siklus. Analisis kenyamanan menunjukkan bahwa peningkatan pemulihan energi tersebut diperoleh tanpa penalti terhadap kenyamanan penumpang, dengan jerk RMS sebesar 0,332 m/s³ yang identik untuk seluruh konfigurasi bobot. Lebih jauh, evaluasi stabilitas algoritma melalui pengujian lima skenario multi-seed independen menghasilkan rata-rata pemulihan energi 61,20 Wh dengan standar deviasi 0,12 Wh, yang mengindikasikan bahwa fluktuasi konvergensi yang umum dijumpai pada Reinforcement Learning dapat ditekan oleh formulasi imbalan berbasis Nash Bargaining.