Pengembangan mikrogrid cerdas merupakan salah satu isu penting dalam mendukung penyediaan energi listrik berkelanjutan. Kegiatan ini meliputi pengembangan sistem kontrol pada tingkat primer, sekunder dan tersier. Pemodelan power flow menjadi salah satu tujuan penelitian mengingat dalam mikrogrid aliran energi sangat memungkinkan multipoint sehingga perlu dipetakan dengan baik. Topik penelitian ini dikembangkan kedalam beberapa sub-topik sebagai berikut:

1. Kontrol robust dengan mempertimbangkan MPPT photovoltaik sebagai fitur daya maksimum yg menjamin kerobasan konverter pada tingkat bawah

2. Kontrol prediktif reinforcement learning untuk menjamin optimum power flow pada hardware in the loop (HIL) mikrogrid

3. Pemodelan aliran daya pada hardware in the loop (HIL) mikrogrid dengan pendekatan teori graph.

4. AI data driven untuk pemodelan beban elektrik

5. Pemodelan dan simulasi sistem nanogrid untuk surya atap

Mikrogrid merupakan infrastruktur yang penting dalam menunjang masa depan kelistrikan yang lebih efisien, bersih, informatif dan fleksibel. Kemajuan inovasi mikrogrid menunjukan peningkatan yang berarti serta pemanfaatannya diberbagai bidang. Namun hingga saat ini mikrogrid tidak lepas dari isu intermitensi sehingga dianggap sebagai gangguan terhadap jaringan kelistrikan. Oleh karena itu, untuk menjamin kualitas kelistrikan yang baik maka salah satu upaya adalah jarak antara pembangkitan, unit kontrol dan beban harus sedekat mungkin, serta mempertimbangkan keseimbangan daya terhadap semua unit dan memaksimalkan peran sistem penyimpan energi.

Penelitiain ini bertujuan untuk mengkaji dan mengembangkan potensi kontrol prediktif dalam menciptakan kestabilan tegangan dan aliran daya yang optimum dengan mempertimbangkan karakteristik tak linear dari mikrogrid. Adapun luaran dari penelitian ini adalah diharapkan mampu memberikan rekomendasi metode kontrol dalam menejemen mikrogrid primer dan sekunder dalam suatu framework tunggal, serta meningkatkan kehandalan dalam menangani intermitensi sumber energi terbarukan. Metode yang dikembangkan dalam kerangka MPC tersebut diarahkan pada kajian kecerdasan buatan yang menyasar pada sisi indentifikasi sistem dan optimasi berbasis kaidah reinforcement learning.

Keterampilan pemrograman phyton/matlab dan kemampuan integrasi sistem

• Penyelesaian permasalahan memerlukan pengetahuan keteknikan yang mendalam.
• Permasalahan melibatkan isu-isu yang luas, saling bersinggungan, dan melibatkan masalah non teknis.
• Solusi yang jelas belum tersedia sehingga diperlukan abstraksi pemikiran untuk memformulasikan model solusi yang sesuai.