Nigeria menghadapi krisis energi yang serius. Meskipun memiliki kapasitas terpasang sebesar 14,38 GW, hanya 6 GW yang tersedia untuk digunakan. Dengan lebih dari 60% populasi tidak memiliki akses listrik, dan jaringan yang ada sering mengalami pemadaman, masalah ini menuntut solusi yang inovatif. Penelitian terbaru menggabungkan pendekatan machine learning (ML) dan teknologi penyimpanan energi untuk menciptakan sistem energi yang efisien dan ramah lingkungan. Penelitian ini berfokus pada dua skenario utama: dengan dan tanpa teknologi penyimpanan energi pada sistem listrik Nigeria di tahun 2050.

Konsumsi energi di Nigeria sangat bergantung pada bahan bakar fosil seperti gas alam, yang menyumbang hingga 70% dari energi primer negara ini. Namun, ketergantungan ini menyebabkan emisi karbon yang signifikan, memperburuk perubahan iklim. Di sisi lain, potensi sumber energi terbarukan seperti tenaga surya, angin, dan hidro masih belum dimanfaatkan sepenuhnya, terutama karena keterbatasan teknologi penyimpanan yang dapat mengelola pasokan energi yang tidak konsisten.

Penelitian ini menggunakan pendekatan sistematis untuk mengevaluasi dua skenario:

1. WoEST (Tanpa Teknologi Penyimpanan Energi)

Sistem ini mengandalkan pembangkit listrik berbasis gas alam, tenaga nuklir, dan sumber energi terbarukan seperti tenaga surya, angin, dan hidro

• WEST (Dengan Teknologi Penyimpanan Energi)

Sistem ini mencakup komponen WoEST, ditambah dengan teknologi penyimpanan seperti Battery Energy Storage System (BESS), Pumped Hydro Storage (PHS), dan Vehicle-to-Grid (V2G)

Simulasi dilakukan menggunakan perangkat lunak EnergyPLAN untuk mengevaluasi berbagai parameter, termasuk biaya tahunan, emisi karbon, produksi listrik berlebih (Critical Excess Electricity Production atau CEEP), dan impor listrik. Data simulasi kemudian dianalisis menggunakan algoritma ML seperti Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost), dan Multi-Layer Perceptron (MLP).

Studi ini menunjukkan beberapa temuan utama:

1. Integrasi Energi Terbarukan
   1. WEST meningkatkan penggunaan sumber energi terbarukan sebesar 37%, memungkinkan penetrasi energi surya dan angin yang lebih besar
   1. Teknologi penyimpanan seperti BESS dan PHS memainkan peran penting dalam menyimpan kelebihan energi untuk digunakan saat permintaan meningkat
2. Pengurangan Emisi Karbon
   1. WEST mengurangi emisi karbon sebesar 19,14% dibandingkan WoEST
   1. Hal ini membantu Nigeria mendekati target pengurangan emisi sebesar 50% pada tahun 2050
3. Biaya Tahunan

Skenario WEST meningkatkan biaya tahunan sebesar 3,67% dibandingkan WoEST, disebabkan oleh investasi pada teknologi penyimpanan energi

• Manajemen Kelebihan Listrik

WEST sepenuhnya menghilangkan CEEP, menunjukkan efisiensi dalam mengelola pasokan listrik dari sumber energi terbarukan yang fluktuatif

ML memainkan peran sentral dalam penelitian ini dengan memodelkan hubungan antara kapasitas energi dan parameter kinerja. Pendekatan ini memungkinkan optimisasi multi-objektif untuk meminimalkan biaya, emisi karbon, dan kelebihan listrik.

• SVR: Efisien dalam memprediksi total biaya tahunan dan emisi karbon
• XGBoost: Berperan dalam memodelkan hubungan non-linear yang kompleks
• MLP: Digunakan untuk analisis mendalam terhadap parameter yang memengaruhi sistem energi

Meskipun penelitian ini berfokus pada Nigeria, pendekatan yang digunakan relevan bagi negara-negara berkembang lainnya yang menghadapi tantangan serupa. Dengan mengintegrasikan teknologi penyimpanan energi, negara-negara ini dapat memaksimalkan potensi energi terbarukan, mengurangi emisi karbon, dan memperkuat ketahanan energi.

Penelitian ini menegaskan bahwa teknologi penyimpanan energi adalah kunci untuk masa depan energi yang berkelanjutan di Nigeria. Meskipun biaya awalnya tinggi, manfaat jangka panjang berupa pengurangan emisi karbon, peningkatan integrasi energi terbarukan, dan pengelolaan kelebihan listrik membuat teknologi ini menjadi investasi yang layak. Dengan kemajuan dalam penelitian dan pengembangan teknologi penyimpanan energi, biaya yang terkait dapat ditekan lebih lanjut, memungkinkan implementasi yang lebih luas di seluruh dunia.

Penulis: Dr. Handoko Darmokoesoemo, Drs., M.Sc.

Stanley Aimhanesi Eshiemogie, Peace Precious Aielumoh, Tobechukwu Okamkpa, Miracle Chinonso Jude, Lois Efe, Andrew Nosakhare Amenaghawon, Handoko Darmokoesoemo, Heri Septya Kusuma, 2025, A machine learning-supported framework for predicting Nigeria’s optimal energy storage and emission reduction potentials, Renewable Energy Focus, 53, 100677, DOI: 10.1016/j.ref.2024.100677

Link: https://www.sciencedirect.com/science/article/pii/S1755008424001418