Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kendaraan listrik (EV) telah menjadi solusi yang semakin populer untuk mengurangi emisi gas kendaraan bermotor dan mengatasi masalah lingkungan. Meningkatnya penggunaan EV menimbulkan tantangan baru terkait manajemen daya di stasiun pengisian daya. Masalahnya adalah kurangnya efisiensi dalam mengalokasikan daya saat kendaraan sedang mengisi daya di stasiun pengisian daya, yang dapat menyebabkan permintaan daya yang melebihi beban maksimum stasiun dan mengakibatkan lonjakan harga yang harus dibayar. Tujuan utama dari penelitian ini adalah untuk mengembangkan pengontrol manajemen daya yang efisien untuk stasiun pengisian daya kendaraan listrik berbasis deep reinforcement learning (DRL). DRL diterapkan karena kemampuannya untuk menyelesaikan sistem kontrol tanpa model yang akurat (free-based-model), terutama untuk stasiun pengisian daya EV yang memiliki faktor stokastik. Sistem akan secara otomatis mengontrol alokasi daya untuk pengisian daya kendaraan berdasarkan informasi dari setiap kendaraan yang terhubung ke stasiun pengisian daya dan variabel lainnya agar tidak melebihi batas daya maksimum stasiun pengisian daya. Hasil penelitian ini menunjukkan bahwa penggunaan algoritma DRL, terutama DDPG dengan pendekatan actor-critic, dapat mengalokasikan daya pengisian daya secara optimal untuk setiap EV dan secara signifikan memaksimalkan keuntungan stasiun dibandingkan dengan algoritma lainnya.

---

Electric vehicles (EVs) have become an increasingly popular solution to reduce motor vehicle gas emissions and address environmental concerns. The increasing use of EVs poses new challenges regarding power management at charging stations. The problem is the lack of efficiency in allocating power while vehicles are charging at charging stations, which can lead to power demand that exceeds the maximum load of the station and results in a spike in the price to be paid. The main objective of this research is to develop an efficient power management controller for electric vehicle charging stations based on deep reinforcement learning (DRL). DRL is applied because of its ability to solve the control system without an accurate model (free-based-model), especially for EV charging stations that have stochastic factors. The system will automatically control the power allocation for vehicle charging based on information from each vehicle connected to the charging station and other variables so as not to exceed the charging station's maximum power limit. The results of this study show that the use of DRL algorithms, especially DDPG using actor-critic approach, can optimally allocate charging power for each EV and significantly maximize the station's profit compared to the other algorithms. "

"Dengan semakin meningkatnya jumlah kendaraan listrik di Indonesia, kebutuhan akan Stasiun Pengisian Kendaraan Listrik (SPKLU) juga semakin meningkat. SPKLU besar dengan kapasitas pengisian daya yang besar dibutuhkan untuk melayani kebutuhan pengisian daya kendaraan listrik secara bersamaan. Namun, dalam keadaan keterbatasan jumlah energi, algoritma penentuan prioritas pengisian daya yang tepat perlu diterapkan agar semua kendaraan listrik dapat terlayani dengan baik. Dalam penelitian ini, algoritma Branch and Bound digunakan untuk menentukan prioritas pengisian daya mobil listrik di SPKLU besar dalam keadaan keterbatasan jumlah energi. Algoritma Branch and Bound adalah metode yang digunakan dalam penyelesaian masalah optimasi kombinatorial. Algoritma ini bekerja dengan mengeksplorasi pohon pencarian biner dan kemudian mengeliminasi cabang tertentu berdasarkan batas-batas pada solusi optimal. Dalam skripsi ini, 3 indeks digunakan untuk menentukan prioritas kendaraan listrik yaitu Social Welfare (SW), Community Wellbeing (CW), dan Individual Satisfaction (IS). Terdapat 5 faktor penentu untuk menghitung ketiga indeks tersebut, yaitu Trip Purpose, EV Occupant, SOC Gap, Departure Time, dan Customer Behaviour. Hasil penelitian menunjukkan bahwa algoritma branch and bound dapat menghasilkan solusi yang optimal dalam menentukan prioritas pengisian daya kendaraan listrik di SPKLU dalam keterbatasan energi. Solusi yang dihasilkan dapat memaksimalkan penggunaan energi yang ada hanya pada kendaraan listrik yang dinilai memiliki prioritas tinggi.

---

With the increasing number of electric vehicles in Indonesia, the need for Electric Vehicle Charging Stations (EVCS) is also increasing. Large EVCS with high charging capacity are needed to serve the charging needs of electric vehicles simultaneously. However, in a situation of limited energy supply, an appropriate charging priority algorithm needs to be implemented so that all electric vehicles can be well served. In this study, the Branch and Bound algorithm is used to determine the charging priority of electric cars at large EVCS in a situation of limited energy supply. The Branch and Bound algorithm is a method used in solving combinatorial optimization problems. This algorithm works by exploring binary search tree and then eliminating certain branches based on bounds on the optimal solution. In this thesis, 3 indices are used to determine the priority of electric vehicles, namely Social Welfare (SW), Community Wellbeing (CW), and Individual Satisfaction (IS). There are 5 determinant factors to calculate these three indices, namely Trip Purpose, EV Occupant, SOC Gap, Departure Time, and Customer Behaviour. The research results show that the branch and bound algorithm can produce an optimal solution in determining the charging priority of electric vehicles at EVCS in energy limitations. The solution produced can maximize the use of existing energy only on electric vehicles that are considered to have high priority."

"Di Indonesia, kereta api telah menjadi moda transportasi yang populer dan efisien, menawarkan kenyamanan dan kecepatan bagi pengguna. Dalam operasionalnya, salah satu tantangan utama adalah optimisasi, di mana kereta listrik muncul sebagai solusi yang efektif dengan biaya operasional rendah dan gaya traksi tinggi. Profil trayektori kecepatan yang mengindikasikan kecepatan yang diizinkan pada setiap posisi dapat membimbing pengemudi atau sistem operasi otomatis kereta (ATO) untuk mengoperasikan kereta dengan lebih efisien. Penelitian ini mengkaji pendekatan optimisasi untuk trayektori kecepatan Kereta Rel Listrik (KRL), dengan mempertimbangkan konsumsi energi sebagai ukuran kepuasan perusahaan kereta api dan waktu perjalanan sebagai ukuran kepuasan penumpang. Optimisasi kecepatan kereta dapat menggunakan algoritma Hybrid Evolutionary Algorithm (HEA). Penelitian ini mengusulkan metode multiobjektif untuk mengoptimalkan lintasan kecepatan kereta, dengan mempertimbangkan batasan kecepatan, strategi mengemudi yang meliputi fase accelerating, cruising, coasting, braking, serta adaptasi terhadap kondisi kemiringan, dan kurvatur lintasan. Selain itu, penelitian ini menunjukkan bagaimana Pareto front dari setiap generasi algoritma dapat digunakan untuk mengevaluasi dan memilih strategi operasi yang paling efektif. Dalam penelitian ini didapat bahwa hasil dari solusi yang didapat bisa mengurangi total energi sebesar 21.97% dan total waktu tempuh sebesar 5.11%.

---

In Indonesia, trains have become a popular and efficient mode of transportation, offering comfort and speed to users. One of the main challenges in their operation is optimization, where electric trains emerge as an effective solution with low operational costs and high tractive force. A speed trajectory profile that indicates the authorized speed at each position can guide the driver or the automatic train operation (ATO) system to operate the train more efficiently. This study examines the optimization approach for the speed trajectory of Electric Rail Trains (KRL), considering energy consumption as a measure of railway company satisfaction and travel time as a measure of passenger satisfaction. Train speed optimization can utilize the Hybrid Evolutionary Algorithm (HEA). This research proposes a multi-objective method to optimize the train speed trajectory, taking into account speed limits, driving strategies including accelerating, cruising, coasting, and braking phases, as well as adaptation to track slope and curvature conditions. Additionally, this study demonstrates how the Pareto front of each algorithm generation can be used to evaluate and select the most effective operational strategy. In this research, it was found that the results of the solution obtained could reduce total energy by 21.97% and total travel time by 5.11%."

"Dalam sistem industri modern, dengan majunya teknologi Internet of Things (IoT), pelaku industri dapat merekam data mesin dan sistem untuk kemudian dianalisa secara lebih komprehensif. Salah satu bentuk analisa yang dapat dilakukan adalah mendeteksi apakah ada anomali dari mesin atau sistem tsb. Aktivitas ini kemudian menjadi krusial bagi pelaku industri karena berdasarkan analisa ini, jika ditemukan anomali, maka secara dini dapat diambil tindakan yang diperlukan untuk melakukan pemeliharaan. Tetapi, sangat umum bagi pelaku industri tidak memiliki atau kekurangan data anomali, terutama pada sistem yang baru beroperasi. Dalam tesis ini, kami mengembangkan sebuah model untuk mendeteksi anomali pada data yang tidak berimbang dari sistem Secure Water Treatment (SWaT). Performa dari model ini kemudian dibandingkan dengan metode lain dari riset sebelumnya, mendemonstrasikan peningkatan dalam kapabilitas mendeteksi anomali.

---

In modern industrial systems, particularly with the advancement of the Internet of Things (IoT), industry players can record machine and system data for comprehensive analysis. One such analysis involves detecting anomalies in machines or systems. This activity becomes crucial because, if an anomaly is found in the data, corrective actions can be taken promptly. However, it is common for manufacturers to lack recorded anomaly datasets, especially for newly operational systems. In this paper, we develop a model to detect anomalies in an imbalanced dataset from the Secure Water Treatment (SWaT) system. The performance of the proposed model is compared with previous works, demonstrating significant improvements in anomaly detection capabilities."

"Lithium-Ion Battery (LIB) masih menjadi alternatif teknologi yang efektif dalam memaksimalkan efisiensi kendaraan listrik atau Electric Vehicle (EV). Penerapan EV telah memberikan dampak yang signifikan dalam rangka mengurangi isu permasalahan global-pengurangan emisi gas karbon. Mekanisme pengisian LIB dengan metode fast-charging menjadi alternatif pengaplikasian EV dalam skala yang lebih masif. Namun, adanya dinamika pada baterai dimana fungsi kerja baterai dapat mengalami penurunan dari waktu ke waktu akan mempengaruhi kinerja baterai. Selain itu, upaya pengisian fast-charging pada LIB dengan kecepatan maksimum memberikan dampak resiko peningkatan suhu baterai dan adanya celah yang semakin besar terjadinya degradasi baterai. Pada penelitian ini diusulkan penerapan algoritma Deep Neural Network (DNN) untuk optimasi fast-charging Lithium-Ion Battery (LIB) sebagai solusi pendekatan yang inovatif dalam menanggulangi dinamika fast-charging LIB yang kompleks. Penelitian ini mengembangkan pendekatan yang integratif dengan mengombinasikan metode Quasi-Newton Limited-memory Broyden–Fletcher–Goldfarb–Shanno Bound (L-BFGS-B) dan algoritma DNN. Hasil penelitian menunjukkan bahwa metode Quasi Newton L-BFGS-B mampu menemukan solusi awal arus pengisian optimal. Metode ini mampu mempertahankan kesehatan baterai (SoH) dan kapasitasnya dengan hanya mengalami penurunan SoH sekitar 2% serta kapasitas baterai dipertahankan 98% dari kapasitas awal. Pengembangan algoritma DNN juga mampu memprediksi arus pengisian optimal berdasarkan input dari hasil optimasi Quasi-Newton L-BFGS-B. Namun, model DNN yang diterapkan menunjukkan adanya overfitting yang perlu ditangani lebih lanjut.

---

Lithium-Ion Battery (LIB) is still an effective alternative technology in maximizing the efficiency of electric vehicles (EV). The application of EVs has provided a significant impact in order to reduce the issue of global problems - reducing carbon gas emissions. The LIB charging mechanism with the fast-charging method is an alternative to the application of EVs on a massive scale. However, the dynamics of the battery where the battery work function can decrease over time will affect battery performance. In addition, fast-charging efforts at LIB with maximum speed have the impact of increasing the risk of battery temperature and the existence of a larger gap in battery degradation. This research proposes the application of Deep Neural Network (DNN) algorithm for Lithium-Ion Battery (LIB) fast-charging optimization as an innovative solution approach to address the complex dynamics of LIB fast-charging. This research develops an integrative approach by combining the Quasi-Newton Limited-memory Broyden–Fletcher–Goldfarb–Shanno Bound (L-BFGS-B) method and DNN algorithm. The results show that this approach can improve the speed and efficiency of fast-charging. The research shows that the Quasi Newton L-BFGS-B method is capable of finding an initial solution to the optimal charging current. This method is effective in maintaining battery health (SoH) and capacity by reducing SoH by only 2% and maintaining battery capacity by 98% of the initial capacity. The DNN algorithm development is further capable of predicting the optimal charging current based on inputs from the Quasi-Newton L-BFGS-B optimization results. However, the implemented DNN model shows the overfitting which should be further explored."