Institut Sel Fuel, Universiti Kebangsaan Malaysia, 43600 UKM Bangi, Selangor, Malaysial1
* Penulis Koresponden : waiyin.wong@ukm.edu.my
Kata Kunci: Font: Kecerdasan Buatan, Hidrogen Hijau, Penjadualan Operasi, Tenaga Boleh Diperhabarui
Hidrogen Hijau dalam Dunia Rendah Karbon
Rajah 1: Hidrogen Hijau dalam Dunia Rendah Karbon
Dunia kini berdepan dengan cabaran dalam usaha penyahkarbonan (decarbonisation) bagi mengurangkan pelepasan gas rumah hijau dan menangani pemanasan global. Hidrogen hijau merupakan pembawa tenaga (energy carrier) yang berpotensi memainkan peranan penting dalam usaha ini, khususnya bagi sektor yang sukar dinyahkarbonkan melalui penggunaan elektrik dan proses yang menggunakan karbon secara langsung. Antaranya termasuk industri besi dan keluli, industri kimia seperti pengeluaran ammonia dan metanol, penapisan petroleum serta pengangkutan berat.
Hidrogen hijau dihasilkan melalui proses elektrolisis air menggunakan elektrik daripada sumber tenaga boleh diperbaharui seperti suria dan angin. Walaupun berpotensi membantu mengurangkan pelepasan karbon, kos pengeluarannya masih menjadi cabaran utama. Menurut Agensi Tenaga Antarabangsa (International Energy Agency, IEA), kos pengeluaran hidrogen hijau masih lebih tinggi berbanding hidrogen konvensional yang dihasilkan daripada bahan api fosil tanpa kawalan pelepasan karbon [1].
Persoalannya, bolehkah kecerdasan buatan (Artificial Intelligence, AI) membantu menjadikan pengeluaran hidrogen hijau lebih ekonomik?
Mengapa Hidrogen Hijau Masih Mahal?
Kos pengeluaran hidrogen hijau dipengaruhi oleh beberapa faktor utama, termasuk ketersediaan sumber tenaga boleh diperbaharui, kos elektroliser dan kadar penggunaan peralatan. Elektroliser ialah peralatan yang menggunakan elektrik untuk memisahkan air kepada hidrogen dan oksigen.
Cabaran utama timbul apabila elektrik dibekalkan daripada sumber tenaga boleh diperbaharui yang berubah mengikut keadaan cuaca. Sebagai contoh, panel suria menghasilkan lebih banyak elektrik ketika cahaya matahari mencukupi manakala turbin angin bergantung pada kelajuan angin.
Kos pengeluaran hidrogen hijau bukan sahaja bergantung pada harga elektrik dan kos elektroliser, tetapi juga pada kapasiti sistem serta tempoh penggunaannya. Sebagai contoh, kajian oleh Eom et al. (2026) [2] menunjukkan bahawa peningkatan kapasiti elektroliser tidak semestinya menghasilkan kos hidrogen yang lebih rendah. Berdasarkan analisis penggunaan lebihan tenaga boleh baharu di California, kos pengeluaran hidrogen (Levelized cost of hydrogen, LCOH) menurun apabila kapasiti elektroliser meningkat sehingga sekitar 0.6 GW. Namun, peningkatan kapasiti seterusnya menyebabkan kos meningkat kerana bekalan elektrik lebihan tidak mencukupi untuk menggunakan kapasiti tambahan secara optimum (Rajah 2). Dapatan ini menunjukkan kepentingan menentukan saiz sistem yang bersesuaian dengan ketersediaan tenaga elektrik.
Rajah 2: Hubungan antara kapasiti elektroliser, jumlah pengeluaran hidrogen, waktu operasi pada beban penuh dan kos pengeluaran hidrogen (LCOH) (dilukis semula dengan ChatGPT daripada [2])
Bagaimana AI Membantu Mengurangkan Kos?
Bayangkan AI sebagai pembantu pintar yang mampu menganalisis pelbagai maklumat sebelum mencadangkan keputusan operasi. Dalam pengeluaran hidrogen hijau, AI boleh menggunakan data ramalan cuaca, pengeluaran elektrik suria dan angin, harga elektrik serta permintaan hidrogen semasa untuk membantu merancang operasi elektroliser [3].
Melalui pembelajaran mesin (Machine Learning), pembantu pintar ini dapat mengenal pasti corak daripada data terdahulu dan menggunakannya untuk meramalkan keadaan masa hadapan. Rajah 3 menunjukkan illustrasi satu sistem tenaga bersepadu hidrogen dan tenaga boleh baharu yang dikawal oleh kecerdasan buatan [4]. Sebagai contoh, jika ramalan menunjukkan pengeluaran tenaga solar akan meningkat pada tengah hari, sistem AI boleh mencadangkan peningkatan pengeluaran hidrogen pada waktu tersebut. Sebaliknya, apabila harga elektrik dijangka meningkat, sistem boleh mempertimbangkan pengurangan kadar operasi, bergantung pada keperluan hidrogen dan keadaan peralatan.
Rajah 3: Sistem tenaga bersepadu hidrogen dan tenaga boleh diperbaharui yang dikawal olehkecerdasan buatan (dilukis semula dengan ChatGPT berpandukan [4])
Walau bagaimanapun, pengoptimuman bukanlah teknologi yang eksklusif kepada AI. Adalah penting untuk dinyatakan bahawa, kaedah pengoptimuman model secara matematik dalam proses merupakan asas untuk merancang operasi yang cekap. AI kini menjadi pelengkap kepadanya apabila keupayaan ramalan dan pembelajaran daripada data-data sedia ada atau simulasi membantu meningkatkan kualiti keputusan.
Daripada Ramalan kepada Tindakan
Bayangkan sebuah loji hidrogen yang menggunakan elektrik daripada panel solar, turbin angin dan rangkaian elektrik.
Pada awal pagi, sistem AI menganalisis ramalan cuaca serta jangkaan harga elektrik untuk beberapa jam berikutnya. Jika pengeluaran tenaga suria dijangka meningkat pada tengah hari, sistem boleh merancang pengeluaran hidrogen yang lebih tinggi dalam tempoh tersebut.
Apabila harga elektrik dijangka meningkat pada sebelah petang, pengeluaran hidrogen boleh dikurangkan. Sekiranya loji mempunyai kemudahan penyimpanan hidrogen, sebahagian permintaan boleh dipenuhi menggunakan hidrogen yang telah dihasilkan lebih awal. Pendekatan ini membolehkan pengeluaran hidrogen dirancang berdasarkan jangkaan keadaan masa hadapan, bukan sekadar bertindak balas terhadap perubahan semasa [2]. Dengan ini, operasi elektroliser yang fleksibel dan penyertaan dalam pasaran elektrik boleh memberikan peluang untuk meningkatkan hasil ekonomi pengeluaran hidrogen, bergantung pada keadaan pasaran dan sistem.
Adakah AI Penyelesaian Segalanya?
Walaupun AI menawarkan pelbagai kelebihan, teknologi ini bukan penyelesaian ajaib yang mampu menjadikan hidrogen hijau murah secara automatik.
Keberkesanannya bergantung pada ketepatan ramalan, kualiti data dan kesesuaian strategi operasi. Ramalan cuaca yang kurang tepat, misalnya, boleh menyebabkan keputusan pengeluaran tidak mencapai penjimatan yang dijangkakan.
Selain itu, perubahan kadar operasi yang terlalu kerap perlu dinilai dengan teliti kerana boleh mempengaruhi prestasi dan ketahanan sesetengah jenis elektroliser. Kos pemasangan sensor, pembangunan perisian dan penyelenggaraan sistem digital juga perlu diambil kira dalam proses penjadualan dan pengoptimum penghasilan hidrogen hijau dengan bantuan AI.
Penutup
Jadi, bolehkah AI menjadikan hidrogen hijau lebih murah?
Jawapannya, berpotensi, tetapi bergantung kepada ketepatan ramalan dan sumber data yang digunakan.
Sebagai rumusan, AI tidak mengubah prinsip asas penghasilan hidrogen. Sebaliknya, teknologi ini membantu pengusaha meramalkan bekalan tenaga, menganalisis data dan membuat keputusan operasi yang lebih baik. Masa depan hidrogen hijau bukan sahaja bergantung kepada pembangunan teknologi yang lebih cekap dan tahan lama, tetapi juga pada keupayaan mengurus tenaga secara pintar. Gabungan inovasi hidrogen dan teknologi digital berpotensi membuka laluan kepada pengeluaran tenaga bersih yang lebih ekonomik dan mampan.
Pengisytiharan Penggunaan Kecerdasan Buatan (AI)
Penulis mengisytiharkan bahawa ChatGPT (OpenAI) telah digunakan sebagai alat sokongan dalam penyediaan artikel ini, khususnya bagi membantu penyusunan kandungan, penambahbaikan bahasa dan penghasilan ilustrasi. Idea, kandungan teknikal, semakan fakta dan penyuntingan akhir telah dilaksanakan oleh penulis. Penulis bertanggungjawab sepenuhnya terhadap ketepatan, keaslian dan kandungan akhir artikel ini.
Rujukan
[1] International Energy Agency (IEA). (2025). Global Hydrogen Review 2025. https://www.iea.org/reports/global-hydrogen-review-2025
[2] Subin Eom, Sojung Kim, Gwangwoo Han, Sanghun Lee. (2026). Low-cost green hydrogen from renewable energy curtailment: A techno-economic analysis with a real-time AI-driven approach. Energy 349: 140569.
[3] Heba Askr, Sameh H. Basha, Noha MM. Abdelnapi, Enas Elgeldawi,Ashraf Darwish,Aboul Ella Hassanien. (2025). Artificial Intelligence for Sustainable Green Hydrogen Production: A Systematic Literature Review. Renewable and Sustainable Energy Reviews 224: 116071.
[4] Mohamad Fani Sulaima, Ashwini Kumar Pradhan, Michal Schmirler, Hamidreza Namazi. (2026). Physics-Informed Artificial Intelligence Architectures for Carbon-Neutral Integrated Energy Systems. International Journal of Energy Research 2026: 5452111.