FLEXFURN: AI-drivet energihanteringssystem
Digital energihantering för elektrifierade industriella ugnar: Efterfrågeflexibilitet och energilagring
FLEXFURN-projektet fokuserar på elektrifieringen av industriella ugnar vid Volvo Powertrains anläggning i Skövde. Syftet är att lösa de utmaningar som rör elnätets kapacitet och energikostnader. Att ersätta koksbaserade ugnar med eldrivna alternativ kan avsevärt minska koldioxidutsläppen, men det medför samtidigt höga effekttoppar i elbehovet som riskerar att slå i taket för det befintliga elnätets kapacitet.
Projektöversikt
Istället för att förlita sig på kostsamma och tidskrävande uppgraderingar av elnätet, föreslår projektet ett AI-drivet energihanteringssystem för att styra och optimera energianvändningen. Systemet integrerar laststyrning, skiktad energilagring och återvinning av spillvärme i ett och samma digitala ramverk.
Bygger på tidigare resultat
Projektet bygger vidare på förstudien SPACE AI vid Volvos anläggning i Skövde, som utvärderade AI-modeller för smart energianvändning. Nu tar projektet klivet från simuleringsmodeller till att utveckla och validera ett energihanteringssystem i skarp industriell drift.
Flexibla laster – såsom ugnar, laddningsstationer för eldrivna fordon samt system för värme, ventilation och luftkonditionering – schemaläggs på ett intelligent sätt. Detta görs med hjälp av AI-baserade prognoser för elbehov, elpriser och elnätets aktuella tillstånd.
Parallellt hanteras effekttoppar över olika tidsskalor genom en flerstegsmetod för energilagring. Denna metod kombinerar batterilagringssystem, vätgas och lagring i smält järn. Återvinning av spillvärme minskar energibehovet ytterligare genom att överskottsvärmen återanvänds direkt inom anläggningen.
Sammantaget syftar dessa lösningar till att kapa effekttopparna i elbehovet med 30 till 50 procent och sänka energikostnaderna med 10 till 25 procent, allt medan produktionseffektiviteten bibehålls. Projektet kommer att testas i en verklig industriell miljö och är utformat för att kunna överföras till andra energiintensiva sektorer. Målet är att stödja industrins klimatomställning (dekarbonisering), förbättra elnätets stabilitet och stärka Sveriges position inom digital energihantering.
Utmaningar
Utmaningen är att övergången från fossila till eldrivna ugnar skapar massiva effekttoppar som det befintliga elnätet inte klarar av att hantera. Eftersom det är både för dyrt och tar för lång tid att fysiskt bygga ut nätet, måste projektet hitta ett sätt att jämna ut elförbrukningen.
Mål
- Utveckla ett AI-drivet energihanteringssystem: Optimera energianvändningen, integrera flerstegs energilagring och styra flexibla laster.
- Möjliggöra koldioxidsnål elektrifiering: Stödja övergången från fossildrivna ugnar utan att kräva kostsamma elnätsuppgraderingar.
- Demonstrera skalbarhet: Validera lösningen i en verklig industriell miljö (Volvo Powertrain) för att möjliggöra överföring till andra sektorer.
Förväntad effekt
- Målet är en reduktion av effekttopparna i elbehovet med 30–50 %.
- Siktar på 10–25 % lägre energikostnader med bibehållen produktionseffektivitet.
- Stödjer elnätets stabilitet genom intelligent lastschemaläggning och återvinning av spillvärme.
Fakta
Deltagande organisationer:
Högskolan i Skövde (projektkoordinator)
Projektperiod: 1 september 2026 – 31 augusti 2029
Finansiering: Vinnova inom programmet Avancerad digitalisering (8 267 290 SEK) och projektpartnerna (total projektbudget: 16 679 490 SEK).
För mer information, vänligen kontakta:
Relaterade projekt
Skövde Plant Approaching Carbon Elimination (SPACE) | AI feasibility study
GridForesight
Tranzero Energy - industriell elsamverkan
Federerad maskininlärning för att skapa typlastprofiler
E-Charge 2: AI-lösningar optimerar laddinfrastrukturen för tunga transporter
Framtidens elnät skapat med federerad maskininlärning
Simulering och visualisering av Sveriges framtida elsystem