Perancangan Sistem Kontrol Feedback HVAC Menggunakan Deep Reinforcement Learning

Abadi, Salsabiella Ramadhanti (2021) Perancangan Sistem Kontrol Feedback HVAC Menggunakan Deep Reinforcement Learning. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
ttdLENGKAP_Laporan TA SALSABIELLA RAMADHANTI 02311740000101 revisi.pdf
Restricted to Repository staff only

Download (4MB) | Request a copy
[img] Text
FINAL_Laporan TA SALSABIELLA RAMADHANTI 02311740000101.pdf
Restricted to Repository staff only

Download (4MB) | Request a copy
[img] Text
FINALttdfull_Laporan TA SALSABIELLA RAMADHANTI 02311740000101.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (4MB) | Request a copy

Abstract

Di negara maju, konsumsi energi bangunan dapat mencapai sekitar 30%-40% dari semua energi yang di konsumsi pada negara tersebut. Pada penelitian ini dikembangkan suatu sistem kontrol feedback untuk plant HVAC menggunakan reinforcement learning dengan algoritme Q-Learning pada software Python. Pemodelan ruangan, pemodelan dinamika suhu ruangan, dan data input diambil dari data sekunder yang diperoleh dari hasil eksperimen oleh National Institute for Environment Studies di Tsukuba, Yamakawa pada 2009. Environment dibangun pada Python lalu data-data dan fungsi didefinisikan untuk melakukan Q-Learning dengan 1.000 kali iterasi dan 3 setpoint suhu yang berbeda serta asumsi supply air flowrate konstan dan dinamik, yang kemudian hasilnya dibandingkan dengan sistem kontrol feedback menggunakan PID konvensional pada plant dan model yang sama yang diambil dari data sekunder. Hasil simulasi menunjukkan bahwa kinerja sistem kontrol feedback menggunakan reinforcement learning lebih baik daripada kinerja sistem kontrol feedback yang masih menggunakan PID konvensional, dengan RMSE konstan = 0,3-0,4 dan RMSE dinamik = 0,1-0,6 serta overshoot Mp konstan = 1,3%-1,9% dan Mp dinamik = 0,9%-4,5% pada kontroller RL, kemudian RMSE konstan = 0,8-4,5 dan RMSE dinamik = 0,3-0,6 serta overshoot Mp konstan = 14%-65% dan Mp dinamik = 8%-20% pada kontroller PID biasa.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Q-Learning, HVAC, kontrol feedback, reinforcement learning, feedback control
Subjects: T Technology > TJ Mechanical engineering and machinery > TJ213 Automatic control.
T Technology > TJ Mechanical engineering and machinery > TJ223 PID controllers
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User: Salsabiella Ramadhanti Abadi
Date Deposited: 24 Aug 2021 01:29
Last Modified: 24 Aug 2021 01:29
URI: https://repository.its.ac.id/id/eprint/87955

Actions (login required)

View Item View Item