Optimasi Konsumsi Energi Kendaraan Listrik Menggunakan Kontrol MIMO Berbasis Deep Reinforcement Learning pada Kondisi Berkendara Dinamis
DOI:
https://doi.org/10.26740/jte.v15n3.p206-218Keywords:
kendaraan listrik, matlab, optimasi, machine learning, deep reinforcement learning, kontrol mimo, simulink, battery packAbstract
Konsumsi energi pada kendaraan listrik sangat dipengaruhi oleh berbagai faktor dinamis seperti
gaya mengemudi, kondisi lalu lintas, topografi jalan, yang dapat mengurangi jangkauan kendaraan
hingga 15-25%. Manajemen energi yang tidak efisien dapat secara drastis mengurangi jarak tempuh
efektif kendaraan, menurunkan kepraktisan dan keandalannya dalam penggunaan sehari-hari. Strategi
manajemen energi berbasis pembelajaran mendalam telah menunjukkan peningkatan efisiensi hingga
20% dibandingkan dengan rute perjalanan konvensional dan 12% dibandingkan dengan eco-driving
standar.
Penelitian ini berfokus pada optimasi energi pada sistem powertrain kendaraan listrik, yang
meliputi motor listrik, baterai, dan kontroler. Pengembangan, pelatihan, dan pengujian sistem kontrol
dilakukan sepenuhnya dalam lingkungan simulasi perangkat lunak MATLAB/Simulink. Metode
machine learning yang digunakan terbatas pada algoritma Deep Reinforcement Learning. Kontrol
MIMO yang digunakan terbatas hanya tiga input dan juga tiga output yang mementingkan tiga faktor
utama dalam kendaraan listrik. Model kendaraan listrik yang digunakan dalam simulasi merupakan
model matematis yang disederhanakan dan tidak mempertimbangkan semua dinamika kendaraan secara
mendetail seperti degradasi baterai atau pengaruh suhu ekstrem. Penelitian ini berfokus pada optimasi
energi pada sistem powertrain kendaraan listrik, yang meliputi motor listrik, baterai, dan kontroler. 2)
Pengembangan, pelatihan, dan pengujian sistem kontrol dilakukan sepenuhnya dalam lingkungan
simulasi perangkat lunak MATLAB/Simulink. 3) Metode machine learning yang digunakan terbatas
pada algoritma Deep Reinforcement Learning (DRL). 4) Kontrol MIMO yang digunakan terbatas hanya
tiga input dan juga tiga output yang mementingkan tiga faktor utama dalam kendaraan listrik. 5) Model
kendaraan listrik yang digunakan dalam simulasi merupakan model matematis yang disederhanakan
dan tidak mempertimbangkan semua dinamika kendaraan secara mendetail seperti degradasi baterai
atau pengaruh suhu ekstrem.
Downloads
References
Huang, H., Li, B., Wang, Y., Zhang, Z., & He, H. (2024). Analysis of factors influencing energy
consumption of electric vehicles: Statistical, predictive, and causal perspectives. Applied Energy,
375, 124110. https://doi.org/https://doi.org/10.1016/j.apenergy.2024.124110
Jmour, N., Zayen, S., & Abdelkrim, A. (2018). Convolutional neural networks for image classification.
2018 International Conference on Advanced Systems and Electric Technologies (IC_ASET),
397–402. https://doi.org/10.1109/ASET.2018.8379889
Mei, P., Karimi, H. R., Xie, H., Chen, F., Huang, C., & Yang, S. (2023). A deep reinforcement learning
approach to energy management control with connected information for hybrid electric vehicles.
Engineering Applications of Artificial Intelligence, 123, 106239.
https://doi.org/10.1016/j.engappai.2023.106239
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., Graves, A.,
Riedmiller, M., Fidjeland, A. K., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou,
I., King, H., Kumaran, D., Wierstra, D., Legg, S., & Hassabis, D. (2015). Human-level control
through deep reinforcement learning. Nature, 518(7540), 529–533.
https://doi.org/10.1038/nature14236
Nair, A., Srinivasan, P., Blackwell, S., Alcicek, C., Fearon, R., De Maria, A., Panneershelvam, V.,
Suleyman, M., Beattie, C., Petersen, S., Legg, S., Mnih, V., Kavukcuoglu, K., & Silver, D.
(2015). Massively Parallel Methods for Deep Reinforcement Learning.
http://arxiv.org/abs/1507.04296
Padhilah, F. A., Surya, I. R. F., Adiatma, J. C., Sari, R. P., Permono, R. H., & Pradityo, R. (2025).
Indonesia Sustainable Mobility Outlook 2025: Driving Transport Decarbonization: Multipathways to Sustainable Mobility in Indonesia. Institute for Essential Services Reform (IESR).
Parvin, K., Lipu, M. S. H., Hannan, M. A., Abdullah, M. A., Jern, K. P., Begum, R. A., Mansur, M.,
Muttaqi, K. M., Mahlia, T. M. I., & Dong, Z. Y. (2021). Intelligent Controllers and Optimization
Algorithms for Building Energy Management Towards Achieving Sustainable Development:
Challenges and Prospects. IEEE Access, 9, 41577–41602.
https://doi.org/10.1109/ACCESS.2021.3065087
Peng, Z., & He, Z. (2025). Optimization of Regenerative Braking Control Strategy for Dual-Motor
Electric Vehicles Based on Deep Reinforcement Learning. IEEE Transactions on Intelligent
Transportation Systems, 26(7), 10954–10967. https://doi.org/10.1109/TITS.2025.3553875
Sarker, I. H. (2021). Deep Learning : A Comprehensive Overview on Techniques , Taxonomy ,
Applications and Research Directions. SN Computer Science, 2(6), 1–20.
Downloads
Published
How to Cite
Issue
Section
Abstract views: 0
,
PDF Downloads: 0
