Sex AI-projekt för ett robust och effektivt elnät

Omställningen mot fossilfri energiförsörjning går för långsamt. Utmaningarna finns i flera dimensioner. På kommunal nivå handlar det bland annat om att kunna prognostisera framtida energibehov för att kunna fatta beslut om nyetablering av både stora energiförbrukande verksamheter och ny lokal kraftproduktion och om uppgraderingar av elnätet i takt med förändrade beteenden hos befintliga kunder. Liknande behov av prognoser finns för de regionala näten och på den nationella nivån.

– Men det saknas en i Sverige. Istället måste man skicka förfrågningar till de nätbolag som berörs. Och man måste alltid skicka till flera nätbolag då man som projektör vill säkra att någon ansökan går igenom, i och med att man som projektör inte vet hur tillgången på el ser ut. Konsekvensen är ett omfattande problem med “luftbokningar”, det vill säga projekt som aldrig kommer att realiseras, men som drar onödiga resurser från både nätbolagen och projektörerna. Det här är ett av de områdena där vi driver ett projekt tillsammans med Svenska Kraftnät och ytterligare några nätbolag, säger Filip Kjellgren.

Konkret handlar det projektet om att undersöka hur syntetisk data, det vill säga data genererad av datorer med utgångspunkt i riktig data, kan användas för att skapa så kallade dynamiska typlastprofiler med hjälp av federerad inlärning. 

En typlastprofil visar hur elförbrukningen varierar över tid i ett elnät, ibland för specifika kundgrupper, och ligger till grund för analyser och planering av elnätets kapacitet och belastning.

För den löpande driften av elnätet pågår flera projekt med liknande ansatser: Att skapa förutsättningar för ett elnät i balans, även när det finns storförbrukare i närområdet. Ett av dem är E-Charge 2 som leds av Lindholmen Science Park och där Volvo Group och Scania deltar som handlar om att utforska hur snabbladdning av tunga lastbilar ska kunna optimeras. Men fler liknande är igång som bygger på samma princip: Att med maskininlärning analysera historisk data för att skapa realtidsuppdateringar om energiförbrukning, produktionsscheman och elnätets tillgänglighet.

Två av AI Swedens energiprojekt är redan avslutade. Det ena genomfördes tillsammans med Västra Götalandsregionen och resulterade i en visualisering av möjligheterna för lokal energiproduktion. Det andra drevs med Region Östergötland kring ett liknande visualiseringsbehov som handlar om kommunernas ytplanering. 

– En generell utmaning som vi ser är att energisektorns användning av AI begränsas av tillgången på kompetens. Det gör att samarbeten blir så otroligt viktiga och att vi hittar sätt att inte bara dela lärdomar utan också färdiga lösningar. Vi ser bland annat ett ökat intresse för att bygga med öppen källkod för att på så vis nå en bredare krets av användare, säger Filip Kjellgren.

Anna Svensson fortsätter:

– Att vi är igång med projekt inom energisektor är en bra början. Men vår ambition är att få till fler energirelaterade projekt med aktörer utanför energisektorn också. Det handlar bland annat om ett gemensamt kunskapsbygge och att lära av analysmetoder som andra sektorer redan använder på ett framgångsrikt sätt. I höst planerar vi bland annat att få ihop ett team som verkar för en nationell kraftsamling, där energisektorn och fastighetssektorn möts i tillämpningen av AI.

AI Swedens energiprojekt

AI Sweden har ett antal energiprojekt igång, samlade under ett övergripande sektorsinitiativ.

Pågående

• Federerad maskininlärning för att skapa typlastprofiler – använder federerad maskininlärning för att skapa dynamiska profiler för elanvändningen av olika kundgrupper, som bland annat kan ligga till grund för elnätskapacitetskartor som kan påvisa var det är lämpligt att förlägga ny industri och/eller kraftproduktion.
   
• Simulering och visualisering av Sveriges framtida elsystem – bygger vidare på Behovskartan tillsammans med Energimyndigheten för att skapa ett ännu bättre digitalt beslutsstöd för att undersöka framtidens behov av elektrisk effekt i Sverige. 
   
• Framtidens elnät skapat med federerad maskininlärning – tillsammans med flera elnätsbolag undersöks hur det går att skapa modeller som identifierar elnätets olika kunder för att till exempel bättre kunna planera framtida utbyggnad av elnätet.
   
• E-Charge 2: AI-lösningar optimerar laddinfrastrukturen för tunga transporter – i projektet ska designen av laddinfrastrukturen för tunga eldrivna lastbilar analyseras och optimeras för att säkerställa ett effektivt användande av elnätet men även för att hålla nere kostnaderna för laddinfrastrukturen. 

Avslutade

• Generation Toolkit: VGR – utvecklade ett beslutsstöd för att analysera vilka möjligheter det finns för ny kraftproduktion i Västra Götalands kommuner, samt vilka olika kraftslag som är billigast att bygga.
   
• Kapacitetskartor för kommunal planering – analyserade hur ett digitalt beslutsstöd kan tänkas se ut och fungera för att hjälpa kommuner att analysera och prioritera hur deras markanvändning bäst ska stötta ett robust och konkurrenskraftigt elsystem för kommunen. 

För mer information, kontakta gärna: