Vietnam — MinhPhong Le dari Faculty of Electrical and Electronic, Thu Duc College of Technology, Vietnam, mengembangkan sistem pengelolaan energi berbasis Digital Twin dan kecerdasan buatan untuk meningkatkan efisiensi jaringan listrik yang menggunakan energi surya. Artikel yang diterbitkan pada 2026 ini menunjukkan bahwa kombinasi teknologi Digital Twin dan algoritma Proximal Policy Optimization (PPO) mampu menurunkan biaya operasional sebesar 22,2% dibandingkan metode pengendalian konvensional. Sistem tersebut juga membantu menjaga kestabilan tegangan listrik, mengurangi aktivitas pengisian dan pengosongan baterai yang berlebihan, serta meningkatkan konsistensi kinerja jaringan ketika produksi energi surya dan permintaan listrik berubah-ubah.
Pengembangan energi terbarukan semakin penting dalam mendukung kebutuhan listrik yang efisien dan berkelanjutan. Namun, penggunaan panel surya dalam jaringan distribusi menghadirkan tantangan tersendiri karena produksi listriknya bergantung pada intensitas sinar matahari. Perubahan cuaca dapat menyebabkan pasokan listrik dari panel surya naik atau turun, sementara kebutuhan listrik masyarakat juga berubah sepanjang hari. Ketidakseimbangan antara pasokan dan permintaan tersebut dapat memengaruhi aliran daya dan kestabilan tegangan pada jaringan listrik.
Salah satu solusi yang dapat digunakan adalah Battery Energy Storage System (BESS), yaitu sistem penyimpanan energi menggunakan baterai. Baterai dapat menyimpan kelebihan listrik yang dihasilkan panel surya dan menyalurkannya kembali ketika produksi energi menurun atau kebutuhan listrik meningkat. Meskipun demikian, pengoperasian baterai membutuhkan pengaturan yang tepat. Pengisian dan pengosongan yang terlalu sering dapat meningkatkan beban operasional dan mempercepat penurunan kinerja baterai.
Dalam artikel berjudul “Digital Twin-Assisted PPO-Based Energy Management for PV–BESS Operation in Active Distribution Networks Under Uncertainty”, MinhPhong Le menggabungkan Digital Twin dengan metode pembelajaran mesin untuk membantu menentukan kapan baterai perlu diisi atau dikosongkan. Digital Twin merupakan representasi virtual dari sistem fisik yang diperbarui menggunakan informasi operasional. Dalam konteks jaringan listrik, teknologi ini memungkinkan kondisi jaringan direkonstruksi dan diperiksa melalui simulasi sebelum keputusan pengendalian diterapkan pada model sistem.
Metode PPO merupakan bagian dari pendekatan Deep Reinforcement Learning, yaitu teknik kecerdasan buatan yang mempelajari keputusan melalui interaksi berulang dengan lingkungan simulasi. Sistem menerima informasi tentang kebutuhan listrik, produksi energi surya, tingkat pengisian baterai, dan kondisi tegangan jaringan. Berdasarkan informasi tersebut, algoritma menentukan tindakan pengisian atau pengosongan baterai dengan mempertimbangkan biaya operasional, penyimpangan tegangan, dan potensi degradasi baterai.
Le menguji pendekatan tersebut menggunakan model jaringan distribusi IEEE 33-bus yang disimulasikan melalui MATLAB dan MATPOWER. Sistem yang diuji memiliki tingkat penetrasi energi surya sebesar 60% dari beban puncak, kapasitas penyimpanan baterai 1,5 megawatt-jam, serta kemampuan pengisian dan pengosongan hingga 0,5 megawatt. Simulasi mencakup periode operasi 24 jam dengan interval pengendalian setiap 15 menit.
Untuk menggambarkan perubahan kondisi operasional, peneliti menggunakan 100 skenario Monte Carlo yang mencakup variasi produksi energi surya hingga ±20% dan perubahan permintaan listrik hingga ±15%. Algoritma dilatih selama 2.000 episode sebelum kinerjanya dievaluasi. Hasilnya kemudian dibandingkan dengan pengendalian berbasis aturan, optimasi aliran daya, dan algoritma PPO yang tidak menggunakan integrasi Digital Twin.
Hasil pengujian memperlihatkan bahwa sistem gabungan PPO dan Digital Twin menghasilkan peningkatan kinerja pada sejumlah indikator penting. Biaya operasional turun sebesar 22,2% dibandingkan pengendalian berbasis aturan. Penyimpangan tegangan maksimum berkurang sekitar 51,9%, sedangkan penyimpangan tegangan rata-rata menurun sebesar 55,9%. Temuan tersebut menunjukkan bahwa keputusan pengelolaan baterai yang mempertimbangkan kondisi jaringan dapat membantu meningkatkan efisiensi ekonomi sekaligus menjaga kualitas tegangan.
Perbandingan dengan metode PPO tanpa Digital Twin juga memperlihatkan manfaat integrasi kedua teknologi. Metode PPO tanpa Digital Twin menurunkan biaya operasional sebesar 16,9%, sedangkan sistem yang terintegrasi dengan Digital Twin mencapai penurunan sebesar 22,2%. Perbedaan ini menunjukkan bahwa informasi jaringan yang direkonstruksi dan diperiksa melalui perhitungan aliran daya dapat membantu algoritma menghasilkan keputusan yang lebih sesuai dengan kondisi kelistrikan yang disimulasikan.
Dari sisi penggunaan baterai, frekuensi siklus rata-rata turun dari 2,8 siklus per hari pada pengendalian berbasis aturan menjadi 1,6 siklus per hari pada sistem PPO dengan Digital Twin. Variasi tingkat pengisian baterai juga menurun. Pengurangan siklus yang tidak diperlukan berpotensi membantu menekan keausan baterai dan biaya penggantian dalam jangka panjang, meskipun penelitian ini belum menguji umur baterai secara langsung melalui perangkat fisik.
Konsistensi biaya operasional juga menunjukkan perbaikan. Koefisien variasi biaya turun dari 6,10% pada pengendalian berbasis aturan menjadi 2,17% pada pendekatan PPO dengan Digital Twin. Hasil ini menunjukkan bahwa biaya operasional dalam skenario simulasi menjadi lebih stabil ketika menghadapi perubahan produksi energi surya dan kebutuhan listrik. Namun, biaya tetap meningkat ketika ketidakpastian produksi energi surya diperbesar. Pada skenario ketidakpastian 10%, biaya tercatat sebesar US$942 per hari, sedangkan pada ketidakpastian 40% meningkat menjadi US$1.087 per hari.
Temuan MinhPhong Le berpotensi menjadi referensi bagi pengelola jaringan distribusi listrik, pengembang energi terbarukan, dan pihak yang merancang sistem penyimpanan energi. Integrasi Digital Twin dan kecerdasan buatan dapat membantu pengambilan keputusan yang mempertimbangkan biaya, kestabilan tegangan, dan pemanfaatan baterai secara bersamaan. Pendekatan ini relevan bagi jaringan listrik dengan penetrasi energi surya yang tinggi, terutama ketika pasokan energi dan kebutuhan konsumen berubah secara dinamis.
Meski demikian, hasil penelitian masih berasal dari simulasi, bukan pengujian langsung pada jaringan listrik fisik. Penerapan di lapangan masih memerlukan validasi tambahan terkait akurasi model jaringan, keterlambatan komunikasi, sinkronisasi data, implementasi perangkat keras, dan kemampuan sistem menangani jaringan yang lebih besar. Pengujian lanjutan juga diperlukan untuk mengetahui kinerja pendekatan tersebut ketika diintegrasikan dengan kendaraan listrik dan sumber energi terdistribusi lainnya.
Secara keseluruhan, penelitian ini memperlihatkan potensi Digital Twin dan pembelajaran penguatan dalam meningkatkan pengelolaan energi surya dan baterai. Penurunan biaya operasional, perbaikan profil tegangan, serta berkurangnya frekuensi siklus baterai menjadi indikasi bahwa pengendalian berbasis data dan simulasi kelistrikan dapat mendukung jaringan distribusi yang lebih efisien dan adaptif.
Profil Penulis
MinhPhong Le
Faculty of Electrical and Electronic, Thu Duc College of Technology, Vietnam.
Sumber Penelitian
Judul artikel: Digital Twin-Assisted PPO-Based Energy Management for PV–BESS Operation in Active Distribution Networks Under Uncertainty.
Jurnal: East Asian Journal of Multidisciplinary Research (EAJMR), Volume 5, Nomor 10, 2026, halaman 4091–4110.
DOI: https://doi.org/10.55927/eajmr.v5i10.17
Link jurnal: https://eajmrformosa.my.id/index.php/eajmr
.jpg)
0 Komentar