Peranan Artificial Intelligence dalam Optimisasi Demand Response dan Energy Management System

 

Transformasi dari Artificial Intelligence (AI), yang dapat meniru kecerdasan manusia dalam menganalisis data, mengamati pola dan menggunakan informasi untuk pengambilan tindakan pemecahan masalah dapat dimanfaatkan pada segala bidang, salah satunya energi. Sumber energi terbarukan saat ini mulai banyak dimanfaatkan seperti, Solar PV Rooftop, tenaga angin, dan mikrohidro menjadi alternatif masyarakat dalam penyediaan kebutuhan energi. Ketersediaan energi terbarukan yang masih bergantung pada kondisi cuaca dan waktu membutuhkan suatu sistem yang dapat mengatur dan mengakomodir penggunaan energi terbarukan dan non-terbarukan. Strategi pengaturan dan pengelolaan tersebut dinamakan Demand Response (DR). Dalam penerapannya, strategi Demand Response membutuhkan sistem teknologi berupa smart meters beserta ekosistemnya dalam satu kesatuan Smart Grid dan terintegrasi dalam Energy Management System.

Implementasi Smart Meters Advanced Metering Infrastructure (AMI) 

Dalam mendukung pelayanan terbaik bagi konsumen di Indonesia, PLN telah melakukan transformasi dalam mendukung customer-focused dengan penerapan implementasi smart meters Advanced Metering Infrastructure (AMI) secara kluster di beberapa Unit Pelayanan Pelanggan di Indonesia, salah satunya di Jakarta. Di Jakarta, meter AMI sudah terpasang sebanyak 181.856 pada pelanggan paskabayar yang terdapat di kluster Bandengan, Cengkareng dan Bintaro.

Secara ekosistem dan topologi, smart meters nantinya akan terkoneksi dengan Data Concentrator Unit (DCU). Smart meters dan DCU akan berkomunikasi melalui Power Line Carrier (PLC) atau Radio Frequency (RF). Data-data yang terdapat pada smart meters yang sudah terkoneksi dengan DCU nantinya akan dikirimkan menuju Head End System (HES) melalui jaringan seluler atau fiber optik. Pada DCU sendiri juga dapat melakukan pengukuran penggunaan energi pada gardu. Dari HES, data-data yang diperoleh ditampilkan pada Meter Data Management System (MDMS) sebagai antarmuka monitoring data meter. Data meter meliputi data instant (data penggunaan energi setiap 12 jam), data load profile (data penggunaan energi setiap 15 menit) dan End of Billing (data penggunaan energi setiap bulan tanggal 1).

Sistem AMI dapat mendukung keakurasian dan real-time dalam pencatatan meter yang awalnya dicatat secara manual. AMI juga memungkinkan komunikasi dua arah antara pelanggan dan PLN sebagai penyedia energi. Data instant, load profile dan End of Billing merupakan big data yang menjadi inti dari Energy Management System dan Demand Response.

Implementasi dan Pengujian Data Smart Meter AMI

Smart Meter AMI

                                                                                     

Artificial Intelligence dan Peranan dalam Energy Management System

Artificial Intelligence (AI) mentransformasi berbagai bidang, salah satunya adalah energi. AI dapat menganalisis sejumlah data besar setiap pelanggan yang menggunakan smart meters yang terkumpul pada MDMS. Algoritma pada AI dapat melakukan pembelajaran dan analisa data secara berkelanjutan sehingga dapat melahirkan pendekatan prediktif terhadap kebutuhan energi dan langkah-langkah pengambilan keputusan. Pemanfaatan data energi yang sudah ada meliputi :

• Demand Response

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.

 

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/.

Djoko Purwanto – Rudy Dikariono. (2024). Neural Network Models in Machine Learning. Research Center for Artificial Intelligence and Health Technology Institut Teknologi Sepuluh Nopember (ITS). Materi Kuliah Kecerdasan Buatan tahun 2024.

Amira Noor Farhanie Ali , Mohamad Fani Sulaima, Intan Azmira Wan Abdul Razak , Aida Fazliana Abdul Kadir , And Hazlie Mokhlis. (2022). Artificial Intelligence Application in Demand Response: Advantages, Issues, Status, and Challenges. IEEE Access.

Bona Hamonangan Lubis. (2021). Teknologi Smart Grid untuk Penerapan Demand Side Management: Prospek Masa Depan di Indonesia. Jurnal Pendidikan Tambusai.

Penulis : Agik Promento Yahya (Mahasiswa Program Magister, Departemen Teknik Elektro, ITS)