Dalam konteks Demand Response, algoritma AI berfungsi sebagai memproses data besar yang terkumpul di MDMS. Dengan teknologi Machine Learning (ML), historikal penggunaan energi tiap-tiap konsumen dapat dibuat menjadi sebuat tren atau pola hingga prediksi konsumsi energi dan beban puncaknya dalam suatu kluster yang sudah diimplementasikan ekosistem AMI.
Setelah masuk ke teknologi yang lebih dalam yaitu Deep Learning (DL), trend penggunaan energi yang sudah ada, sudah dibuat agar dapat mendeteksi adanya anomali pada instalasi ataupun penggunaan yang tidak sesuai dengan peraturan. Sistem akan mendeteksi dan belajar terkait anomali-anomali yang terjadi, meliputi adanya penurunan atau kenaikan tegangan yang melebih batas toleransi, penurunan arus beban yang signifikan ataupun penemuan arus bocor pada penggunaan konsumen.
Saat proses Deep Learning, sistem juga dapat memprediksi beban energi di masa yang akan data dan membantu penyedia energi dalam merencanakan sumber daya secara efisien, yang dinamakan Demand Response. Demand Response ini menjadi salah satu kunci dalam integrasi sumber daya energi terbarukan dan non-terbarukan. Dengan pengaturan menggunakan AI pada Demand Response ini dapat menyeimbangkan permintaan dan pasokan dari energi. Demand Response dapat membantu mengurangi kebutuhan akan energi non-terbarukan saat beban puncak. Energi terbarukan seperti PV Rooftop, tenaga bayu dan mikrohidro nantinya dapat termanfaatkan mengganti sebagian kebutuhan energi masyarakat yang berada di dekatnya. Dengan penggunaan energi non-terbarukan yang lebih sedikit dapat lebih melangkah menuju penerapan Net Zero Emission (NZE) yang ditargetkan hingga tahun 2060.
- Energy Management System
Energy Management System dalam ekosistem AMI juga memanfaatkan penerapan dari AI, dimulai dari pola penggunaan energinya secara real-time. Dalam proses Energy Management System ini dibantu oleh Meter Data Management System (MDMS) sebagai antarmukanya. Konsumsi penggunaan energi dapat dilihat di setiap titik ukur mulai dari konsumen, gardu distribusi hingga penyulang dan trafo di Gardu Induk. Pola-pola ini dapat dibuat sebagai Online Monitoring Losses yang mendeteksi susut jaringan, mulai dari pangkal di Gardu Induk hingga konsumen. AI membantu dalam pembelajaran secara kontinu hingga dapat membuat forecasting pendekatan berapa penggunaan energi dan susut yang terjadi di jaringan di masa yang akan datang. Potensi penghematan pun dapat dilakukan dengan mitigasi susut yang kemungkinan akan terjadi di masa mendatang.
Energy Management System juga dapat melakukan klusterisasi penggunaan energi setiap konsumen berdasarkan penggunaan energinya, misalnya untuk konsumen rumah tangga, bisnis, industri dan lainnya. Selain itu segmentasi pelanggan juga dapat lebih detail dalam klasifikasinya, misalnya penggunaan pelanggan EV Charger, pelanggan apartemen, pelanggan BTS yang dapat menjadi sebuah tindak lanjut pengambilan keputusan kerjasama yang saling menguntungkan antara penyedia energi dan konsumen.
Dengan adanya pola beban energi masing-masing profil konsumen, PLN dapat melakukan analisa dan penjadwalan pemeliharaan di jam-jam yang rendah pemakaian sehingga keandalan pun tetap terjaga dan apabila terdapat anomali dapat dengan lebih mudah dilakukan penyelesaian dengan cepat.
Kesimpulan
Integrasi teknologi AI dalam ekosistem AMI yaitu membantu dalam penerapan demand response dan energy management system yang dapat membuat sistem energi menjadi lebih cerdas dan responsif dalam pemanfaatan energi, baik energi terbarukan maupun energi non-terbarukan. Selain itu, AI juga membantu dalam proses efisiensi energi dengan pengelolaan energi yang lebih terukur secara real-time, serta melakukan prediksi permintaan konsumsi energi sesuai dengan profil konsumen dan pengambilan keputusan secara cepat.
Â
Daftar Pustaka
Piyush Gupta. (2024). AI in Demand Response: Future Energy Management. Diakses pada 24 Desember 2024, dari https://fpgainsights.com/power-management/ai-in-demand-response-future-energy-management/.
