Integrasi teknologi AI dalam ekosistem AMI membantu penerapan Demand Response dan Energy Management System.

Agik Promento Yahya
Mahasiswa Program Magister Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember

Dalam mendukung pelayanan terbaik bagi konsumen di Indonesia, Perusahaan Listrik Negara (PLN) telah melakukan transformasi dalam mendukung customer-focused dengan implementasi smart meters Advanced Metering Infrastructure (AMI) secara kluster di beberapa Unit Pelayanan Pelanggan (UPP). Jakarta misalnya, meteran AMI sudah terpasang sebanyak 181.856 pada pelanggan pasca-bayar yang terdapat di kluster Bandengan, Cengkareng, dan Bintaro.

Pada praktiknya, PLN sebenarnya tengah memanfaatkan Artificial Intelligence (AI) dalam produk meteran pintar ini. AI dapat menganalisis sejumlah big data setiap pelanggan dengan smart meters yang terkumpul pada MDMS. Algoritma pada AI dapat melakukan pembelajaran dan analisis data secara berkelanjutan, sehingga dapat melahirkan pendekatan prediktif terhadap kebutuhan energi dan langkah-langkah pengambilan keputusan.

Secara ekosistem dan topologi, smart meters terkoneksi dengan Data Concentrator Unit (DCU). Smart meters dan DCU berkomunikasi melalui Power Line Carrier (PLC) atau Radio Frequency (RF). Data-data yang terdapat pada smart meters yang sudah terkoneksi dengan DCU selanjutnya dikirimkan menuju Head End System (HES) melalui jaringan seluler atau fiber optik. DCU juga dapat melakukan pengukuran penggunaan energi pada gardu.

Dari HES, data-data yang diperoleh ditampilkan pada Meter Data Management System (MDMS) sebagai antar-muka monitoring data meter. Data meter meliputi data instant, yakni data penggunaan energi setiap 12 jam, kemudian data load profile, yaitu data penggunaan energi setiap 15 menit, juga End of Billing, yaitu data penggunaan energi setiap bulan pada tanggal 1.

Sistem AMI dapat mendukung keakurasian dan real-time dalam pencatatan meter yang awalnya dicatat secara manual. AMI 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 Demand Response dan Energy Management System.

Demand Response

Dalam konteks Demand Response, algoritma AI memproses big data yang terkumpul di MDMS. Dengan teknologi Machine Learning (ML), histori 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.

Dalam teknologi yang lebih dalam yaitu Deep Learning (DL), tren penggunaan energi yang sudah ada dibuat agar dapat mendeteksi anomali pada instalasi atau pun penggunaan yang tidak sesuai dengan peraturan. Sistem lantas mendeteksi dan belajar terkait anomali-anomali yang terjadi, meliputi penurunan atau kenaikan tegangan yang melebih batas toleransi, penurunan arus beban yang signifikan, atau pun penemuan arus bocor pada penggunaan konsumen.

Dalam proses Deep Learning, sistem dapat memprediksi beban energi di masa yang akan datang dan membantu penyedia energi dalam merencanakan sumber daya secara efisien bernama Demand Response. Demand Response menjadi salah satu kunci dalam integrasi sumber daya energi terbarukan dan non-terbarukan. Dengan pengaturan menggunakan AI pada Demand Response, dapat menyeimbangkan permintaan dan pasokan dari energi.

Demand Response dapat mengurangi kebutuhan akan energi non-terbarukan saat beban puncak. Energi terbarukan seperti PV Rooftop, tenaga bayu, dan mikrohidro 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 memanfaatkan penerapan AI, bermula dari pola penggunaan energinya secara real-time. Dalam proses Energy Management System 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 pada masa yang akan datang. Potensi penghematan pun dapat dilakukan dengan mitigasi susut yang kemungkinan terjadi.

Energy Management System dapat melakukan klusterisasi penggunaan energi setiap konsumen berdasarkan penggunaan energi. Misalnya, untuk konsumen rumah tangga, bisnis, industri, atau lainnya.

Selain itu, segmentasi pelanggan juga dapat lebih detail dalam klasifikasi. Contoh, penggunaan pelanggan EV Charger, pelanggan apartemen, pelanggan BTS yang dapat menjadi sebuah tindak lanjut pengambilan keputusan kerja sama saling menguntungkan antara penyedia energi dan konsumen.

Dengan adanya pola beban energi masing-masing profil konsumen, PLN dapat melakukan analisis dan penjadwalan maintenance pada jam-jam yang rendah pemakaian sehingga keandalan tetap terjaga. Apabila terdapat anomali dapat dengan lebih mudah dilakukan penyelesaian cepat.

Transformasi AI

Transformasi 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 yang 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 mengakomodasi 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.

Integrasi teknologi AI dalam ekosistem AMI membantu 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 membantu 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 Bacaan

Amira Noor Farhanie Ali, Mohamad Fani Sulaima, Intan Azmira Wan Abdul Razak, Aida Fazliana Abdul Kadir, dan 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.

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.

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/