Fremtiden er grønn og elektrisk. Industrien bruker allerede mye kraft, og behovet forventes å øke ytterligere. Elbiler skal lades hjemme, på hytta og på turen imellom. Nye kraftkilder skal inkluderes i nettet, både store vindparker og småkraft, som sol på taket. Samtidig er deler av el-nettet gammelt og dårlig tilpasset fremtidens bruk. AI@SINTEF, som består av nærmere 50 forskere med spisskompetanse på kunstig intelligens, kan bidra til å løse utfordringene det grønne skiftet bringer med seg.
Planlegg riktig produksjon med AI
Å balansere tilbud og etterspørsel av strøm er grunnleggende for et velfungerende kraftsystem og – marked. For å sikre at vi har tilgang til strømmen vi trenger når vi trenger det, må leverandørene forutse hvilken belastning forbrukere har på nettet og tilhørende markedspris, og planlegge produksjonen ut fra dette. For å forutsi både forbruk og produksjon brukes det i dag kompliserte matematiske modeller som krever mye regnekraft for å utforske det mulige utfallsrommet. Prediksjonene er ikke perfekte og derfor må man i tillegg justere produksjonen løpende. Dette er en krevende oppgave da markedet påvirkes av produksjon og forbruk i hele Europa. Ved hjelp av modeller basert på maskinlæring, som er en metode innen kunstig intelligens, kan vi få raskere løsninger for kortsiktig planlegging, slik at dette kan gjøres på en mer smidig måte.
Utnytt fleksibiliteten i vannkraft
Strømprisen varierer gjennom døgnet, og enda mer mellom årstidene. Dette styres av både været – nedbør, sol, vind og temperatur – og behovet for elektrisitet. Vannkraft er ofte omtalt som et grønt batteri, en strømkilde som man kan skru av og på for å jevne ut variasjonen i andre fornybare energikilder, som sol og vind. Kraftprodusentene kan spare vannet når det blåser og sola skinner, for deretter å produsere mer kraft fra vannet når de andre fornybare kildene ikke er tilgjengelige eller prisen er høy.
Ved hjelp av datamodeller og maskinlæring kan vi planlegge produksjonen bedre og få mer verdi ut av vannet i magasinene. Vi kan også bruke data fra tidligere år og langtidsvarsel for å legge inn sesongvariasjoner i modeller som brukes til beslutningsstøtte. AI-metoden selvforsterkende læring (reinforcement learning) bruker vi til å lære sammenhenger mellom vannverdi, kraftpris og tilsig i historiske data, samtidig som den lærer løpende av ny data og dermed kan tilpasse seg klimaendringer og markedsutvikling. Kombinert med tradisjonelle metoder blir kunstig intelligens et kraftfullt verktøy for langtidsplanlegging av produksjon.
Få best mulig vedlikehold for lavest mulig pris
Vedlikehold av nett og produksjonsutstyr bør legges til perioder hvor konsekvensen av at utstyret tas ut av drift er lavest mulig, og før tilstanden blir kritisk. Dette kan gjøres best ved hjelp av optimaliseringsalgoritmer. I tillegg ønsker man en bedre oversikt over tilstanden på utstyret for å kunne vedlikeholde bare når det er nødvendig. Tilstandsovervåkning (condition monitoring) og anomali-deteksjon kan identifisere unormale tilstander og slitasje, og legge til rette for prediktivt vedlikehold. SINTEF bruker datadrevne metoder i forbindelse med prediktivt vedlikehold for å skape innsikt og hjelpe til med å ta de rette beslutningene.
Rimelig og forutsigbar nettdrift
Elektrisitetsnettet opplever stadig større belastninger, og deler av nettet er aldrende. Utbygging av nettet er kostbart og i mange tilfeller omstridt. Derfor ønsker nettselskapene å utnytte nettet som allerede eksisterer, for å utsette eller slippe å bygge nytt. Her kan vi benytte optimaliseringsalgoritmer, gjerne sammen med maskinlæring, for eksempel for å finne optimal balanse mellom nettutnyttelse og risiko i forbindelse med feil. Slike optimaliseringsalgoritmer kan også brukes for å optimalisere leveringspåliteligheten. Dette jobber SINTEF blant annet med i prosjektet RaPid.
