Belajar Memaknai

Urip Mung Mampir Ngombe

Prospek Sistem Pembangkitan Listrik Efisiensi Tinggi Berbahan Bakar Batubara*

Posted by imambudiraharjo on June 10, 2011

Oleh: Keiji Makino (Asia Pacific Coal Flow Center)

1. Latar Belakang

Perdebatan global tentang kerangka kerja pengurangan gas rumah kaca post Protokol Kyoto tengah berlangsung saat ini, yang akan segera diputuskan pada COP 15 yang rencananya akan dilaksanakan pada bulan Desember 2009 di Kopenhagen. Di tengah kondisi demikian, kritik terhadap penggunaan batubara tentunya akan semakin meningkat, sehingga JCOAL yang merupakan satu – satunya institusi sipil di Jepang yang berhubungan dengan batubara harus mengeluarkan rekomendasi yang komprehensif tentang masa depan batubara dari aspek hulu sampai hilir. Penggunaan batubara bagaimanapun juga masih tetap diperlukan untuk menjamin keamanan energi, sehingga seluruh dunia harus memikirkan bersama tindakan penanganan terhadap gas CO2 yang semakin meningkat seiring dengan membesarnya volume pemanfaatan batubara tersebut. Disinilah JCOAL dituntut untuk mengeluarkan rekomendasi yang tepat.

Dalam “Cool Earth 50” yang diajukan oleh pemerintah Jepang, diangkat pula teknologi revolusioner untuk mengurangi emisi CO2, yang salah satu topik didalamnya adalah tentang teknologi pembangkitan listrik. Dan melalui media seperti forum diskusi di Asia Pacific Coal Flow Center, JCOAL sendiri harus berperan aktif menyampaikan opini terkait pembangkitan listrik tersebut terutama tentang bagaimana upaya mempromosikan “Pembangkitan listrik efisiensi tinggi revolusioner berbahan bakar batubara” dan “CCS/Carbon Capture & Storage” ke depannya. Oleh karena itu, maka penting bagi JCOAL untuk berdiri dalam posisi netral dalam melakukan analisis secara independen mengenai arah perkembangan pembangkitan listrik berbahan bakar batubara di masa mendatang. Dengan mengajukan prakondisi yang diasumsikan, JCOAL telah meminta SRI International (Amerika), satu dari sedikit think tank di dunia yang memiliki reputasi di bidang ini, untuk mengembangkan perangkat lunak untuk melakukan prediksi jangka panjang terhadap pembangkitan listrik efisiensi tinggi berbahan bakar batu bara. Tulisan ini akan menjelaskan program tersebut serta hasil prediksinya.

2. Penjelasan Program

Program ini ditujukan sebagai alat bantu untuk memberikan masukan tentang kebijakan batubara di masa mendatang, melalui prediksi transisi biaya pokok pembangkitan, efisiensi, dan lain-lainnya sampai dengan tahun 2050 terhadap fasilitas pembangkitan listrik efisiensi tinggi berbahan bakar batubara, serta bagaimana jenis – jenis  fasilitas tersebut diadopsi.

Di bawah ini adalah sistem – sistem pembangkitan efisiensi tinggi berbahan bakar batubara yang dijadikan obyek evaluasi. Prediksi dilakukan terhadap sistem – sistem tersebut dengan 2 kondisi yang ditetapkan, yaitu sistem dengan fasilitas pemisahan penangkapan CO2 serta sistem yang tidak dilengkapi dengan fasilitas tersebut. Natural Gas Combined Cycle juga dimasukkan dalam evaluasi ini, karena ke depannya sistem ini akan bersaing dengan batubara.

  1. Super Critical Plant (SC).
  2. Ultra Super Critical Plant (USC).
  3. Advanced Ultra Super Critical Plant (A-USC).
  4. Integrated Coal Gasification Combined Cycle (IGCC).
  5. Integrated Coal Gasification Fuel Cell Combined Cycle (IGFC).
  6. Natural Gas Combined Cycle (NGCC).

Program ini dapat memprediksi parameter seperti peningkatan efisiensi berdasarkan kemajuan teknologi, perubahan biaya fasilitas, biaya pemrosesan CO2, termasuk pula biaya pembangkitan sampai dengan tahun 2050, yang kemudian dikembangkan lagi untuk menentukan pangsa (share) tiap sistem misalnya SC, USC, A-USC serta IGCC, melalui kurva permintaan total terhadap pembangkitan listrik berbahan bakar batubara. Untuk melakukan simulasi, maka input yang diperlukan adalah jenis batubara (dibagi 3 yaitu bituminus, sub-bituminus, lignit berkadar air tinggi), harga prediksi batubara, aktual efisiensi plant, aktual biaya modal, serta faktor lainnya. Metode “learning curve” digunakan untuk menghitung peningkatan efisiensi plant melalui adopsi teknologi, serta perubahan biaya plant di masa mendatang. Metode ini banyak dipakai di Amerika dan negara – negara lainnya untuk memprediksi hal – hal semacam itu.

2.1. Learning Curve

Karena jangka waktu prediksi meliputi rentang yang sangat panjang yaitu sampai tahun 2050, maka hal yang penting disini adalah bagaimana memilih metode prediksi yang sesuai. Salah satu metode yang tersedia adalah model engineering, yaitu dengan mem-break down dan mengevaluasi secara detil terhadap desain peralatan (equipment) pada masing – masing sistem untuk jangka waktu tertentu ke depan. Metode ini sangat sesuai untuk menilai sistem yang sudah ada, tapi sulit diterapkan untuk melakukan pemodelan perkembangan teknologi dalam rentang waktu yang sangat panjang seperti evaluasi sampai tahun 2050, karena banyaknya faktor ketidakpastian dalam jangka waktu itu. Sedangkan metode “learning curve” yang berkembang di Amerika, pertama kali dimanfaatkan pada tahun 1936 di industri manufaktur pesawat untuk menganalisis hubungan antara jumlah produksi dengan pengurangan biaya (cost down). Metode ini sekarang telah berkembang luas dengan penggunaannya di berbagai bidang, terutama pada penelitian tentang prediksi teknologi energi yang dikatakan memiliki faktor learning-by-doing yang besar. Belakangan ini, tema penelitian yang menggunakan metode ini adalah prediksi masa mendatang terhadap biaya teknologi pemisahan CO2, yang dilakukan oleh IEA-GHG. Dengan memperhatikan riwayat penggunaan “learning curve”, maka evaluasi kali ini juga akan memanfaatkan metode tersebut.

Bila  a adalah nilai numerik awal / initial numerical value (biaya, efisiensi, dll),  x adalah jumlah yang diproduksi, dan Y adalah nilai numerik dari  yang kesekian (biaya, efisiensi, dll), maka learning curve yang memiliki hubungan di bawah ini yaitu

dapat diketahui dengan jelas berdasarkan banyak pengalaman yang sudah – sudah. Parameter b disini adalah konstanta yang didapat dari hasil analisis masing – masing kasus. Persentase penurunan biaya (cost down) adalah

yang disebut dengan Learning Rate (LR). Untuk kebanyakan peralatan, nilai LR ini sudah sudah tercatat dengan baik (silakan merujuk ke referensi).

2.2. Kalkulasi Biaya Pembangkitan Listrik Setara (Levelized Cost of Electricity/LCOE: $/MWh)

Biasanya, perusahaan listrik mengadopsi konsep biaya pembangkitan listrik setara (atau disebut biaya pembangkitan listrik) yang digunakan pada analisis keekonomian fasilitas pembangkitan listrik. Metode yang sama juga digunakan oleh NETL (National Energy Technology Laboratory) Amerika, saat mengevaluasi keekonomian beragam jenis plant batubara. Teknik ini digunakan untuk membandingkan keekonomian dari berbagai peralatan yang berbeda, yaitu dengan menerapkan persentase diskonto ke tiap biaya yang timbul selama masa pakai peralatan, kemudian dikembalikan ke biaya saat ini. Nilai LCOE dapat diperoleh dari persamaan di bawah ini, yang merupakan penjumlahan dari biaya bahan bakar (fuel cost), biaya modal (capital cost), biaya operasi & perawatan (O & M cost), serta biaya karbon (pajak karbon di masa mendatang, biaya pemrosesan CO2). Penjelasan detil untuk perhitungan tidak akan ditampilkan disini.

LCOE = LC bahan bakar + LC modal + LC operasional & perawatan + LC karbon

Disini, LC adalah biaya setara (levelized cost) masing – masing faktor.

2.3. Konsep Tentang Prediksi Akumulasi Jumlah Sistem Terpasang

Prediksi kali ini dilakukan dengan meng-input perkiraan kapasitas total PLTU batubara yang dibangun setiap tahun sampai dengan tahun 2050, kemudian menentukan pangsa jenis sistem plant apa saja yang diaplikasikan dari kapasitas total tadi dengan menggunakan teknik yang akan diterangkan berikut ini, dan selanjutnya menghitung akumulasi tiap jenis plant terpasang sampai tahun 2050.

Untuk menentukan pangsa tiap jenis sistem, yang dilakukan adalah dengan menambahkan kapasitas peralatan baru yang terpasang pada tahun tertentu ke sistem yang biaya pembangkitannya paling murah di tahun sebelumnya, dan meneruskan perhitungannya hingga mencapai nilai maksimal yang direncanakan (nilai ini di-input oleh pihak yang melakukan kalkulasi). Jika telah mencapai nilai maksimal yang direncanakan, maka kalkulasi berpindah ke sistem berbiaya rendah berikutnya. Proses ini akan berulang terus sampai mencapai nilai perkiraan kapasitas peralatan yang telah di – input, untuk selanjutnya menentukan besarnya pangsa setiap jenis plant.

Untuk sistem yang baru dikembangkan seperti IGCC misalnya, sudah tentu biayanya sangat mahal sehingga tidak akan pernah diadopsi menurut konsep di atas. Untuk kasus seperti ini, maka dilakukan input secara manual untuk parameter “tahun dimulainya konstruksi” dan “persentase instalasi  sistem yang baru dikembangkan”.

Selain teknik di atas, pihak yang melakukan kalkulasi juga dapat melakukan prediksi melalui input secara bebas terhadap pangsa peralatan yang dialokasikan untuk tiap jenis plant setiap tahunnya.

2.4. Struktur Model Perhitungan

Pertama kali, dilakukan perhitungan terhadap kondisi aktual (perhitungan base line), kemudian menghitung efisiensi pembangkitan dan biaya peralatan di masa mendatang dengan menggunakan learning curve. Hasil kalkulasi tadi kemudian digunakan untuk menghitung biaya pembangkitan, dan selanjutnya menentukan pangsa dari plant.

(1)    Input pokok

* Bahan bakar … jenis, perkiraan harga dalam jangka panjang.

* Total kapasitas terpasang peralatan pembangkitan setiap tahun.

* Efisiensi peralatan.

* Biaya modal serta biaya operasional & perawatan peralatan.

* Parameter learning curve.

* Biaya karbon (capture & storage, pajak karbon).

* Angka – angka terkait finansial.

(2)    Output pokok

* Prediksi efisiensi setiap sistem.

* Prediksi biaya pembangkitan.

* Prediksi biaya peralatan.

* Prediksi biaya penangkapan CO2.

* Prediksi instalasi setiap sistem.

3. Contoh Kalkulasi Dasar Secara Teknis

3.1. Prakondisi Input Untuk Kalkulasi

Kalkulasi yang dilakukan disini adalah untuk memperkirakan arah perkembangan PLTU batubara di seluruh dunia. Untuk kapasitas pembangkitan total dunia setiap tahun serta pergerakan harga batubara & gas alam, datanya mengacu ke EIA Energy Outlook (2008). Adapun perkiraan harga batubara & gas alam setelah tahun 2030 yang memang tidak ada dalam EIA Energy Outlook tadi, maka angkanya mengacu ke data SRI International. Pada sistem dengan CCS, IEA ACT Map digunakan untuk skenario target penurunan emisi CO2. Skenario ini merupakan proposal kebijakan untuk menurunkan emisi CO2 dunia ke level sekarang ini pada tahun 2050, melalui  aplikasi teknologi yang berkembang dengan baik yang sudah ada saat ini.

3.2. Input Numerik Untuk Baseline

Angka – angka yang menjadi basis perhitungan terkait plant ditampilkan di tabel 1. Selain biaya pembebasan tanah, data seperti output, efisiensi, serta biaya total peralatan ditampilkan pada tabel itu. Untuk output, angka 550MW digunakan untuk boiler, sedangkan untuk IGCC dan NGCC ditentukan menggunakan kapasitas standar turbin gas. Untuk Learning Rate pada Learning Curve merujuk pada berbagai referensi, dimana boiler adalah 0.0035, gasifikasi adalah 0.04, dan NGCC adalah 0.053.

Sedangkan angka – angka terkait sisi finansial yang digunakan untuk prediksi ditampilkan di tabel 2.

Tabel 1. Basis perhitungan untuk prediksi

Tabel 2. Data terkait segi finansial

3.3. Hasil Kalkulasi

3.3.1. Prediksi Efisiensi Bersih (Net Efficiency) Tiap Plant

Seperti telah dijelaskan sebelumnya, kalkulasi ini adalah untuk memperkirakan efisiensi di masa mendatang melalui learning curve, dengan menggunakan nilai efisiensi pada saat ini. Gambar 1 menampilkan prediksi efisiensi untuk sistem tanpa CCS, yang menunjukkan sebuah model yang menjelaskan kurang prospektifnya peningkatan efisiensi di masa depan terhadap SC dan USC yang ada sekarang ini, dan sebaliknya, menunjukkan harapan peningkatan efisiensi terhadap A-USC, IGCC, dan yang lainnya berdasarkan learning curve yang diasumsikan. Sedangkan gambar 2 menampilkan prediksi efisiensi dengan sistem CCS. Kurva dalam gambar 2 menunjukkan kenaikan efisiensi pembangkitan secara menyeluruh, dengan melihat prospek kenaikan efisiensi  berdasarkan peningkatan teknologi pada bagian CCS.

Gambar 1. Perubahan efisiensi tiap plant pada sistem tanpa CCS

Gambar 2. Perubahan efisiensi tiap plant pada sistem dengan CCS

3.3.2. Prediksi Biaya Pembangkitan (Untuk Pajak Karbon 0$/t)

Gambar 3 dan 4 menampilkan transisi biaya pembangkitan untuk sistem tanpa CCS dan sistem dengan CCS. Untuk sistem tanpa CCS, SC menunjukkan biaya pembangkitan yang paling murah. Meskipun USC menampilkan transisi biaya pembangkitan yang lebih tinggi bila dibandingkan dengan SC, tapi A-USC yang diasumsikan akan mulai beroperasi sekitar tahun 2015 justru akan memiliki biaya pembangkitan yang lebih unggul bila dibandingkan dengan USC. IGCC terlihat menunjukkan prediksi biaya pembangkitan yang tetap lebih tinggi dibandingkan dengan USC, A-USC, dan yang lainnya. Dan untuk IGFC yang diasumsikan mulai beroperasi pada tahun 2020 justru malah diprediksikan mampu mewujudkan biaya pembangkitan yang rendah di masa mendatang.

Gambar 3. Transisi biaya pembangkitan pada sistem tanpa CCS (pajak karbon 0$/t)

Gambar 4. Transisi biaya pembangkitan pada sistem dengan CCS (pajak karbon 0$/t)

Sebaliknya, pergerakan biaya pembangkitan pada sistem dengan CCS menampilkan transisi yang sama sekali berbeda bila dibandingkan dengan sistem tanpa CCS. Transisi biaya pembangkitan pada SC bergerak pada angka yang paling tinggi, disusul oleh USC. Sedangkan transisi biaya pembangkitan pada IGCC, A-USC, dan IGFC bergerak pada angka yang lebih rendah. Pada sistem – sistem tersebut, biaya modal memberikan pengaruh yang besar, dimana biaya pembangkitan akan ikut menurun ketika biaya modal menurun seiring dengan terakumulasinya pengalaman. Namun biaya pembangkitan akan kembali naik karena terpengaruh oleh meningkatnya biaya peralatan setelah tahap maturasi teknologi berlalu.

3.3.3. Prediksi Kapasitas Terpasang Setiap Tahun (Untuk Pajak Karbon 0$/t)

Gambar 5 dan 6 menampilkan prediksi kapasitas terpasang untuk sistem tanpa CCS dan sistem dengan CCS. Untuk sistem tanpa CCS, terlihat hanya SC yang terus dipasang sampai dengan tahun 2050. Sedangkan untuk sistem dengan CCS, setelah SC untuk beberapa saat, selanjutnya akan didominasi oleh pembangkit efisiensi tinggi dengan urutan USC, IGCC, serta A-USC.

A-USC masih akan bertahan hingga sekitar tahun 2045 untuk kemudian diambil alih oleh IGFC. Akan tetapi perlu diingat bahwa IGFC sangat dipengaruhi oleh arah pengembangan sel bahan bakar (fuel cell) yang diasumsikan dalam model ini.

Gambar 5. Kapasitas terpasang fasilitas pembangkitan setiap tahun tanpa CCS (pajak karbon 0$/t)

Gambar 6. Kapasitas terpasang fasilitas pembangkitan setiap tahun dengan CCS (pajak karbon 0$/t)

3.3.4. Relasi Antara Pajak Karbon Dengan Biaya Pembangkitan

Meskipun penerapan pajak karbon masih menyisakan opini pro dan kontra, tapi prediksi disini akan tetap mengkalkulasi besarnya biaya pembangkitan bila diasumsikan pajak karbon diterapkan. Gambar 7 menampilkan hubungan antara pajak karbon dengan biaya pembangkitan untuk sistem dengan dan tanpa CCS pada tahun 2020. Pajak karbon yang semakin tinggi secara otomatis akan meningkatkan biaya pembangkitan. Terlihat kenaikan biaya pembangkitan secara signifikan pada sistem tanpa CCS bila pajak karbon dikenakan, yang menyebabkan biaya pembangkitan pada sistem berbahan bakar batubara lebih tinggi 40% bila dibandingkan dengan NGCC. Pada sistem dengan CCS, emisi CO2 menjadi 1/10 nya bila dibandingkan dengan sistem tanpa CCS, sehingga pada saat pajak karbon dikenakan, kenaikan biaya pembangkitan menjadi jauh lebih sedikit bila dibandingkan dengan yang tanpa CCS. Meskipun demikian, pengenaan pajak karbon tetaplah akan menyulitkan perkembangan sistem berbahan bakar batubara.

Gambar 7. Relasi antara pajak karbon dengan biaya pembangkitan (tahun 2020)

Sebagai referensi, detil biaya pembangkitan saat pengenaan pajak karbon untuk sistem dengan dan tanpa CSS ditampilkan pada gambar 8 dan 9. Pajak karbon yang dikenakan disini adalah sebesar 100$/t. Terlihat bahwa persentase pajak karbon dalam biaya pembangkitan pada sistem berbahan bakar batubara tanpa CCS, besarnya melebihi 50%.

Gambar 8. Detil biaya pembangkitan tanpa CCS (pajak karbon 100$/t)

Gambar 9. Detil biaya pembangkitan dengan CCS (pajak karbon 100$/t)

4. Survey  Parametrik

4.1. Prakondisi Untuk Adopsi Sistem IGCC

Seperti telah dijelaskan di atas, adopsi IGCC tidak akan terjadi sampai tahun 2050 untuk sistem tanpa CCS. Untuk itu, maka dilakukan studi untuk menemukan kondisi seperti apa agar IGCC dapat diadopsi. Dalam studi ini, dilakukan perhitungan dengan mengubah efisiensi & ongkos IGCC, pajak karbon, serta harga batubara, untuk memberikan keuntungan pada sistem IGCC.

Hasilnya, pergerakan untuk adopsi IGCC terlihat dengan kondisi dimana ongkos saat efisiensi IGCC pada basis 38% adalah -30%, kemudian ongkos pada efisiensi 43% adalah -20%, serta ongkos pada efisiensi 45% adalah -10%. Jika adopsi diharapkan berjalan lebih cepat, maka selain efisiensi yang perlu dinaikkan, ongkos juga perlu dipatok pada angka -30%. Gambar 10 menunjukkan pengaruh faktor – faktor di atas terhadap biaya pembangkitan, dan sebagai contoh, gambar 11 menampilkan kurva adopsi sistem IGCC dengan efisiensi 45% dan ongkos -30%. Dengan kondisi ini, maka IGCC akan dapat mengenyampingkan sistem pembangkit efisiensi tinggi lainnya setelah tahun 2040an.

Prediksi disini bukan bertujuan untuk membahas manakah yang realistis antara upaya menaikkan efisiensi sebesar 5~7% atau menurunkan ongkos sebesar 20~30%, tapi ingin menunjukkan bahwa perbaikan yang dikehendaki pada sistem IGCC adalah sebesar itu. Meskipun pertimbangan yang memberikan keuntungan bagi sistem IGCC dari segi pajak karbon dan perubahan harga batubara juga dilakukan, tapi karena keduanya juga menjadi beban yang terbagi rata ke seluruh sistem pembangkitan efisiensi tinggi, maka hal tersebut tidak selalu menguntungkan sistem IGCC saja.

Gambar 10. Transisi biaya pembangkitan berdasarkan pajak karbon, peningkatan efisiensi serta penurunan ongkos IGCC (tahun 2020, tanpa CCS)

Catatan: Pada kondisi base, hanya efisiensi atau ongkos yang diubah secara independen kemudian dilakukan perhitungan. Kalkulasi terhadap perubahan efisiensi & ongkos dilakukan hanya pada kondisi yang berwarna pink.

Gambar 11. Kondisi adopsi sistem IGCC tanpa CCS

4.2. Studi Saat Efisiensi Operasi IGCC Menurun

Perhitungan yang dilakukan sejauh ini adalah dengan menetapkan efisiensi operasi tahunan sebesar 80% untuk tiap sistem, sedangkan untuk IGCC, diasumsikan pula kondisi dimana efisiensi operasi tidak mencapai nilai yang ditentukan. Untuk itu, maka dilakukan studi tentang biaya pembangkitan pada saat efisiensi operasi IGCC tidak mencapai nilai yang ditargetkan.

Hasil studi ini ditampilkan pada gambar 12, berupa biaya pembangkitan relatif pada saat biaya pembangkitan berefisiensi 80% adalah 1. Biaya pembangkitan terlihat mengalami kenaikan sebesar kurang lebih 40% ketika efisiensi turun sampai 50%. Dengan demikian, hal yang sangat penting pada IGCC adalah memastikan efisiensi operasi sesuai dengan nilai yang telah direncanakan.

Gambar 12. Peningkatan biaya pembangkitan saat efisiensi operasi IGCC menurun (jika efisiensi 80% adalah 1)

4.3. Perbedaan LCOE Berdasarkan Jenis Batubara

Gambar 13 menampilkan biaya pembangkitan berdasarkan jenis batubara yang dipakai, pada kondisi tanpa CCS. NGCC juga ditampilkan disini sebagai bahan perbandingan. Tampak bahwa biaya pembangkitan semakin bertambah pada urutan dari bituminus ke lignit. Kemudian jika ukuran boiler atau pengegas (gasifier) diperbesar, emisi gas buang juga akan bertambah sesuai dengan urutan batubara yang sama.

Gambar 13. Perbedaan biaya pembangkitan berdasarkan jenis batubara (tahun 2020, pajak karbon 0$/t, tanpa CCS)

5. Kesimpulan

Dengan mengambil obyek PLTU batubara yang diadopsi saat ini maupun yang diperkirakan akan diadopsi di masa mendatang, maka melalui pengembangan program prediksi jangka panjang sampai tahun 2050, evaluasi tentang bagaimana perubahan biaya pembangkitan dari setiap sistem serta bagaimana sistem tersebut memasuki pasar telah coba dilakukan.

Program ini masih baru sehingga perbaikan – perbaikan kedepannya masih diperlukan. Setelah berdiskusi dengan SRI International yang merupakan pengembang program, maka hasil kalkulasi prediksi dan survey parametrik dengan menggunakan data – data dasar telah dijelaskan di sini.

6. Perkembangan Selanjutnya

Untuk berikutnya, hal – hal berikut ini perlu ditambahkan ke dalam pengembangan program selanjutnya.

(1)    Prediksi kali ini hanya melihat sisi pemanfaatan batubara saja dan tidak melihat sisi pasokan, karena mengasumsikan pasokan yang selalu tersedia untuk memenuhi permintaan batubara. Akan tetapi, bagaimana pun juga akan terdapat keterbatasan dari sisi pasokan, misalnya terpaksa digunakannya batubara berkualitas rendah yang selama ini tidak dimanfaatkan karena berkurangnya jumlah pasokan batubara berkualitas tinggi. Kondisi ini akan coba dimasukkan ke dalam prediksi selanjutnya.

(2)    Prediksi dilakukan dengan menentukan kapasitas adopsi plant batubara dan plant gas setiap tahun secara independen kemudian memperkirakan perkembangannya masing – masing. Akan tetapi, PLTU batubara dan PLTGU secara aktual berkompetisi, misalnya dari sisi biaya pembangkitan, sehingga pangsa masing – masing sudah tertentu. Untuk itu, diperlukan evaluasi yang memungkinkan prediksi yang demikian dapat dilakukan.

(3)    Pengembangan suatu prediksi tentang ko-eksistensi dan kompetisi antara pembangkitan listrik yang dapat mengantisipasi pemanasan global di masa depan seperti PLTN dan pembangkit listrik energi alami lainnya, dengan PLTU batubara maupun PLTGU.

Meskipun belum sempurna, tapi program ini tetap dapat digunakan sebagai alat untuk membantu pembuatan strategi baik bagi JCOAL maupun perusahaan yang menjadi anggotanya. Upaya untuk menyempurnakan program ini masih terus dilakukan, antara lain dengan meminta masukan kepada pihak – pihak yang terkait. Sehingga dengan demikian, program ini diharapkan dapat menjadi alat bantu pembuatan keputusan bagi pihak – pihak yang berkepentingan.

Referensi  Tentang Learning Curve Terkait Dengan Energi

  1. IEA, Experience Curves for Energy Technology Policy, 2000.
  2. IEA Greenhouse Gas R & D Programme (IEA GHG), “Estimating future trends in the cost of CO2 capture technologies”, 2006/5, January 2006.
  3. Rubin E, S. Yeh, M. Antes, M. Berkenpas, J. Davidson, “Use of experience curves to estimate the future cost of power plants with CO2 capture”, International Journal of Greenhouse Gas Control I (2007): 188-197.

* Terjemah bebas dari artikel berjudul “Sekitan taki kou kouritsu hatsuden sisutemu no shourai yosoku” yang dimuat dalam JCOAL Journal No 14.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

 
%d bloggers like this: