Kunstig intelligens hjælper Energinet med at spare millioner

De kaldet det dynamisk dimensionering i Energinet. Det handler om at sætte machine learning og AI til at udregne bedre prognoser for vejr og vind, så Energinet kan minimere udgifterne til indkøb af reserver – såkaldte systemydelser – til balancering af elnettet.

Systemydelserne er nødvendige for at sikre en høj forsyningssikkerhed, så der altid er strøm til rådighed.

Reservekapaciteten benyttes, hvis der pludselig mangler strøm i elnettet – eller hvis der er for meget. Så kan leverandører af systemydelserne enten skrue op eller ned for produktion eller forbrug, så elnettet konstant er i balance.

Og det var lettere at holde systemet i balance i ”gamle dage”, hvor strømmen blev produceret på store kraftværker. Nu har solceller og vindmøller som bekendt overtaget en meget stor del af produktionen.

Og da elproduktionen fra de grønne energikilder ikke er statisk men stiger og falder i løbet af døgnet og i forhold til, hvor meget solen skinner og vinden blæser, duer gennemsnitsberegninger ikke, hvis indkøbet af systemydelser skal optimeres.

Derfor har Energinet udviklet det nye system, der mere præcist og dynamisk kan beregne, hvor meget, der skal købes ind.

Og de første erfaringer med Dynamisk Dimensionering var meget positive. En test i starten af februar viste, at den nye metode gav en besparelse på 1,1 mio. kr. i den første uge, systemet var i brug.

Besparelsen blev beregnet ved at sammenligne det statiske indkøb med den gamle metode med den nye dynamiske. Energinet har ikke lavet en ny sammenligning, men en anden faktor betyder, at besparelsen i dag er større.

”Vi indkøber reserverer sammen med Sverige og fordi vores naboland har haft behov for større indkøb, er prisen på reserverne steget ret kraftigt, og det har også skubbet priserne op i Danmark,” fortæller Thomas Dalgas Fechtenburg, der er afdelingsleder i Systemydelser i Energinet.

Indkøb koster milliarder

”Derfor er vores besparelse ved brug af Dynamisk Dimensionering også steget. Værdiskabelsen er blevet større – men på et lidt uheldigt grundlag,” siger han med henvisning til de forhøjede priser.

Indkøb af systemydelser koster årligt Energinet mellem 2 og 2,5 mia. kr. for at sikre, at forsyningssikkerheden i Danmark er i top. Derfor er der potentielt mange penge at spare ved at kunne forudsige produktion og forbrug bedst muligt. 

Det stiller større og større krav til kvaliteten af prognoserne og derfor går udviklingen i retning af de mere sofistikerede, hvor AI spiller en stor rolle.

”Vi har et stort behov, fordi vilkårene for at drive elnettet er meget forskellige afhængig af, om det er en kold vinterdag uden vind eller en mild sommerdag med vind og sol. Forudsætningerne skifter voldsomt, og derfor giver det ikke mening at have konstante forudsætninger for driften af elnettet.

Så i takt med den stigende dynamik giver det også mening, at vi forsøger at forudsige produktionen, der i dag primært er baseret på vind og vejr, som så spiller ind på så mange andre områder – bl.a. behov for reserver, kapacitet i de forskellige dele af nettet og forventninger til lokale flaskehalse,” forklarer Thomas Dalgas Fechtenburg.

Og Energinet har en stærk historik for at udvikle prognoser for vind- og solproduktion. Da man startede med at udbygge vind og sol i Danmark fik Energinet ansvaret for at varetage den produktion, som kommercielle aktører har overtaget i dag. 

”Med produktionen fulgte også ansvaret for salg og ubalancer, som jo i virkeligheden er prognosefejl. Så vi har i Energinet mange år arbejdet med prognoser og er gode til det. Og i kraft af den ekspertise har vi så været i stand til at videreudvikle og bygge oven på noget eksisterende, fordi vi har kompetencen og hele det interne setup med flows og dataadgang. Derfor har vi bygget systemet selv,” siger han.

Ud over at det lå nærmest til højrebenet for Energinet at bygge systemet selv, er der også et sikkerhedsmæssigt aspekt at tage hensyn til.

”Det er jo nogle essentielle data, vi får ud af AI-modellerne. Og dem vil vi nødigt risikere at miste, så vi er ret trygge ved at vi selv har udviklet systemerne og modellerne”.

Siden modellen blev taget i brug i februar, har Energinet fået en masse erfaringer fra driften og kan eftervise bagud i tid, om den har gættet rigtigt eller ej. 

”Erfaringerne bruger vi til løbende at forbedre modellen, men vi har ikke lavet de store ændringer ind til videre. Vi har tilføjet nogle få ekstra datasæt, modellen benytter, inden den skal gætte på tallene for i morgen,” fortæller Thomas Dalgas Fechtenburg.

Det vil også ske fremadrettet, hvor flere data kan forbedre modellen, så den bliver endnu mere præcis.

Det kan f.eks dreje sig om mere avancerede data for vind- og solproduktion eller data for den forventede vindhastighed eller solindstråling fra flere leverandører.

Behov for mere præcise prognoser

”For hvis de afviger meget fra hinanden, forventer vi større en usikkerhed i prognosen for sol- og vind produktion end den, vi ville benytte, hvis vi blot havde ét bud på produktionens størrelse,” siger han.

Mere præcise prognoser bliver stadig vigtigere i takt med at elforbruget i Danmark stiger. Og det ventes ifølge Klima-, Energi- og Forsyningsministeriets "Køreplan for energieffektivitet" fra 2024 at fordobles frem mod 2035.

Dermed stiger også behovet for indkøb af systemydelser. Og da de betales gennem transmissionstariffen, giver Dynamisk Dimensionering også en kontant fordel for elforbrugerne.