IMPLEMENTASI SISTEM MANAJEMEN ENERGI CERDAS BERBASIS DEEP LEARNING (LSTM) PADA PLTS ATAP DENGAN PENYIMPANAN BATERAI

Abstrak

Ketidakpastian produksi energi pada Pembangkit Listrik Tenaga Surya (PLTS) atap akibat sifat intermiten menjadi tantangan utama dalam stabilitas energi rumah tangga. Penelitian ini mengusulkan Sistem Manajemen Energi Cerdas (SEMS) yang mengintegrasikan PLTS, sistem penyimpanan energi baterai (BESS), dan algoritma Kecerdasan Buatan (AI). Kebaruan penelitian ini terletak pada penggunaan model Long Short-Term Memory (LSTM) untuk prediksi beban dan produksi energi secara proaktif dalam rentang waktu 24 jam. Prototipe dikembangkan menggunakan mikrokontroler ESP32 sebagai pusat kendali untuk mengoptimalkan penjadwalan pengisian baterai dan interaksi jaringan (grid). Hasil yang diharapkan adalah peningkatan rasio swakonsumsi (self-consumption) sebesar 20% dan minimalisasi biaya listrik bulanan melalui manajemen beban yang presisi.

The uncertainty of energy production in rooftop Solar Photovoltaic (PV) systems due to its intermittent nature remains a major challenge for household energy stability. This research proposes a Smart Energy Management System (SEMS) that integrates solar PV, Battery Energy Storage Systems (BESS), and Artificial Intelligence (AI) algorithms. The novelty of this study lies in the implementation of the Long Short-Term Memory (LSTM) model for proactive load and energy production forecasting over a 24-hour horizon. A prototype was developed using an ESP32 microcontroller as a central control unit to optimize battery charging schedules and grid interactions. The expected results include a 20% increase in the self-consumption ratio and the minimization of monthly electricity costs through precise load management.