Teknologi energi terbarukan semakin banyak hadir di rumah modern. Panel surya di atap kini bukan pemandangan langka lagi. Namun ada satu tantangan besar yang muncul: bagaimana cara menyimpan dan menggunakan energi matahari itu secara efisien sepanjang hari. Sebuah penelitian yang terbit pada tahun 2025 di Journal of Energy Storage menawarkan jawaban yang menarik. Para peneliti memperkenalkan teknik cerdas untuk mengoptimalkan penyimpanan energi listrik dan panas di gedung hunian pintar, sehingga biaya listrik dapat turun drastis dan konsumsi energi dari panel surya meningkat tajam.

Panel surya menghasilkan listrik terutama saat matahari bersinar terang, yaitu di siang hari. Sementara itu, banyak keluarga memakai listrik paling banyak pada sore dan malam. Ketidaksesuaian waktu ini membuat sebagian energi matahari terbuang atau dijual kembali ke jaringan dengan harga lebih rendah. Di sisi lain, ketika malam tiba, rumah kembali menggunakan listrik dari jaringan utama. Jika ingin benar benar mandiri energi, rumah membutuhkan sistem penyimpanan yang cerdas. Di sinilah peran baterai penyimpanan energi atau Battery Storage System dan penyimpanan energi panas atau Thermal Storage System.

Baca juga artikel tentang: Paradigma Thermodynamic Dalam Desain Bangunan Hijau: Kajian Eksploratif

Sayangnya, menentukan ukuran baterai dan sistem penyimpanan panas yang tepat bukan perkara mudah. Jika ukurannya terlalu kecil, rumah tetap bergantung pada listrik jaringan. Jika terlalu besar, biaya investasi menjadi tidak efisien. Setiap rumah memiliki pola konsumsi energi yang berbeda. Jumlah penghuni, kebiasaan penggunaan alat elektronik, serta kondisi iklim memengaruhi kebutuhan energi. Oleh karena itu, diperlukan metode perhitungan yang mampu memprediksi kebutuhan energi secara akurat sekaligus mengoptimalkan ukuran sistem penyimpanan.

Penelitian ini memperkenalkan pendekatan baru yang disebut FLHNN BWOA. Nama ini memang terdengar rumit, namun maknanya dapat dijelaskan dengan sederhana. FLHNN adalah kependekan dari Federated Learning on Heterogeneous Neural Networks. Ini adalah sistem kecerdasan buatan yang mampu belajar dari data berbagai jenis perangkat tanpa harus menggabungkan seluruh data ke satu tempat. Dengan kata lain, model AI dapat belajar secara terdistribusi sambil tetap menjaga privasi data pengguna.

Bagian kedua dari teknik ini adalah BWOA atau Binary Whale Optimization Algorithm. Algoritma ini terinspirasi dari pola berburu paus, terutama saat paus mengepung mangsanya dan menyesuaikan posisi secara cerdas. Para ilmuwan komputer meniru pola ini untuk membuat algoritma yang mampu menemukan kombinasi terbaik dalam suatu masalah optimasi. Dalam konteks penelitian ini, BWOA membantu menentukan ukuran paling ideal untuk baterai dan sistem penyimpanan panas.

Sistem penyimpanan energi listrik dan termal terintegrasi pada smart building, di mana listrik dari grid dan PV disalurkan ke beban dasar dan baterai, sementara pompa panas mengisi thermal storage yang kemudian dioptimalkan pengoperasiannya menggunakan pengendali MPC dan metode FLHNN-BWOA (Prasanth & Karthikeyan, 2025).

Gabungan FLHNN dan BWOA menghasilkan metode yang mampu memprediksi kebutuhan energi dengan baik sekaligus mengoptimalkan kapasitas penyimpanan. Para peneliti menyimulasikan sistem ini menggunakan perangkat lunak MATLAB dan membandingkannya dengan metode kecerdasan buatan lain seperti Artificial Neural Network, Feed Forward Neural Network, dan Light Neural Network. Hasilnya menunjukkan peningkatan kinerja yang signifikan.

Tujuan utama metode ini ada dua. Pertama, meningkatkan konsumsi sendiri dari panel surya atau PV self consumption. Artinya, semakin banyak energi matahari yang dipakai langsung oleh rumah, bukan dibuang atau dijual murah. Kedua, menurunkan biaya listrik keseluruhan. Dalam simulasi yang dilakukan, metode baru ini mampu menurunkan biaya listrik sampai sekitar 82,6 persen sekaligus meningkatkan konsumsi energi dari panel surya hingga sekitar 59,1 persen. Angka ini menunjukkan potensi penghematan yang sangat besar bagi rumah tangga.

Selain itu, pendekatan ini juga membantu menjaga stabilitas sistem energi. Dengan penyimpanan yang terencana baik, rumah dapat menghindari lonjakan beban listrik. Pada siang hari, kelebihan energi dapat disimpan dalam baterai atau disalurkan ke sistem penyimpanan panas. Energi panas ini dapat digunakan kembali untuk kebutuhan seperti pemanas air atau ruang, sehingga pemakaian listrik dari jaringan berkurang.

Federated Learning memiliki keunggulan tambahan. Model AI tidak memerlukan pengiriman seluruh data pengguna ke server pusat. Hanya parameter pembelajaran yang dikirim. Hal ini berarti data konsumsi energi rumah tetap berada di dalam sistem lokal. Pendekatan ini meningkatkan keamanan dan privasi, dua aspek yang semakin penting di era digital.

Penelitian ini tidak hanya berfokus pada rumah tinggal. Para peneliti menjelaskan bahwa teknik yang sama dapat diterapkan pada bangunan komersial dan permukiman skala besar. Sistem ini juga bersifat skalabel, artinya tetap efektif meskipun digunakan pada banyak bangunan dengan karakteristik berbeda. Ini menjadi kabar baik bagi pengembang properti dan perencana kota yang ingin membangun lingkungan berbasis energi terbarukan.

Bila kita melihat gambaran yang lebih luas, penelitian ini berperan penting dalam upaya menciptakan masyarakat yang lebih mandiri energi. Ketergantungan pada jaringan listrik utama dapat dikurangi. Bahkan, pada kondisi tertentu, rumah dapat berkontribusi memasok energi ke jaringan saat terjadi kelebihan suplai. Sistem penyimpanan yang efisien juga membantu menjaga kestabilan jaringan listrik nasional, terutama ketika semakin banyak sumber energi terbarukan yang terhubung.

Pengelolaan energi yang cerdas juga berdampak pada lingkungan. Saat penggunaan energi jaringan berkurang, emisi gas rumah kaca ikut turun. Pemanfaatan energi matahari secara maksimal berarti semakin sedikit energi fosil yang dibakar. Dengan demikian, teknologi ini bukan hanya menawarkan keuntungan ekonomi bagi pemilik rumah, tetapi juga memberikan manfaat ekologis bagi masyarakat luas.

Ke depan, tantangan yang mungkin muncul adalah biaya awal investasi serta kebutuhan pengetahuan teknis bagi pengguna. Namun jika teknologi ini semakin matang dan diterapkan secara luas, biaya perangkat penyimpanan energi dan sistem kontrol cerdas kemungkinan akan menurun. Sejarah perkembangan teknologi menunjukkan bahwa inovasi yang bermula di kalangan peneliti lambat laun menjadi bagian normal kehidupan sehari hari.

Dengan penelitian ini, para ilmuwan menunjukkan bahwa rumah tinggal dapat berfungsi layaknya pusat energi mini yang cerdas. Panel surya di atap bekerja sama dengan baterai dan sistem penyimpanan panas. AI membantu memprediksi kebutuhan, sementara algoritma optimasi memastikan setiap perangkat berada pada ukuran yang tepat. Hasil akhirnya adalah rumah yang lebih hemat biaya, lebih ramah lingkungan, dan lebih mandiri.

Jika suatu hari setiap rumah mampu mengelola energinya dengan cara ini, maka konsep kota pintar akan menjadi semakin nyata. Energi akan mengalir lebih efisien, limbah energi berkurang, dan masyarakat dapat hidup lebih berkelanjutan tanpa mengorbankan kenyamanan. Penelitian tentang FLHNN BWOA membuka jalan menuju masa depan itu, di mana teknologi cerdas berperan langsung dalam menjaga keseimbangan antara kebutuhan manusia dan kelestarian planet.

Baca juga artikel tentang: Lebih Sehat dengan Bangunan Hijau: Mengapa Desain Ramah Lingkungan Dapat Meningkatkan Kualitas Hidup

REFERENSI:

Prasanth, B & Karthikeyan, G. 2025. Enhanced electrical and thermal energy storage systems performance in smart building using FLHNN and BWOA approach. Journal of Energy Storage 122, 116651.