Samarbejde med Alexandra Instituttet giver den danske startup AI POWER bag energiplatform adgang til de nyeste AI-modeller og algoritmer.
Som dansk ejer af en varmepumpe eller et solcelleanlæg burde det være enkelt at vide, hvornår du skal lagre billig strøm, og hvornår elprisen er høj, så du bør undgå at bruge strøm fra nettet.
Men sådan er virkeligheden ikke. De fleste varmepumper og solceller produceres uden for EU, og når softwaren, der styrer hardwaren, skal tilpasses det europæiske marked, fokuseres der primært på Tyskland og Storbritannien, hvor volumen er større.
Det efterlader Nordeuropa – herunder Danmark – med softwaresystemer, der ikke bygger på det rette datagrundlag og derfor ikke tager højde for lokale afgifter og skattesystemer.
Her kommer den danske opstartsvirksomhed AI POWER ind i billedet. De har udviklet platformen IntelliCharge.AI, som ved hjælp af kunstig intelligens og avancerede algoritmer beregner, hvornår det bedst kan betale sig at producere og forbruge strøm.
Sådan lyder det fra Claus Pedersen Blicher, CEO og grundlægger af AI POWER:
“Ingen producenter kan følge alle EU’s tariffer og regler. Og forbrugerne skal ikke være energihandlere og eksperter for at spare penge. Derfor omsætter vi kompleksitet til automatisk styring, der giver lavere elregning og grøn omstilling,” siger han og tilføjer:
“Her gør vi det enkelt for hr. og fru jensen: Vi kobler vores platform på deres solceller og batteri, overvåger behov, afgifter og markedspriser – og styrer automatisk, hvornår der skal lades, bruges eller sælges strøm, så de køber billigt og undgår dyre timer.”
Adgang til de nyeste algoritmer
Systemet kan dog godt træffe forkerte valg – lidt ligesom vejrudsigten, hvor vejret ikke arter sig som forudsagt, forklarer Claus Pedersen Blicher.
For at forbedre præcisionen har virksomheden indledt et samarbejde med Alexandra Instituttet. Det sker gennem AI Boost, der er en ny innovationshub, der skal styrke anvendelsen af kunstig intelligens i små og mellemstore virksomheder.
“Som lille startup med ti ansatte er man typisk meget driftsorienteret og fokuseret på det, der skal løses her og nu,” forklarer Claus Pedersen Blicher.
“Samarbejdet har hjulpet os med at stoppe op og vurdere, om der findes smartere metoder til at estimere strømbehovet.”
Ifølge Claus Pedersen Blicher har de fået adgang til forskningsbaseret viden, som de ellers ikke ville have haft adgang til. Det har givet dem mulighed for at opdage nye teknologier og algoritmer langt hurtigere.
De er for eksempel blevet opmærksomme på en helt ny type algoritmer, der netop er lanceret. I stedet for at bruge kræfter på at lave grundforskning og starte fra bunden har de fået indsnævret, hvilke metoder der er de rette at fokusere på.
De har dermed fået styrket deres forudsigelsesevne, forklarer Claus Pedersen Blicher:
“På den måde slipper vi for trial-and-error i markedet. Når vi træffer beslutninger, kan vi sige, at det er testet sammen med Alexandra Instituttet. Det støtter vores team i at fokusere på, hvordan nye løsninger kan implementeres i vores setup. Det gør det nemmere at følge med i en udvikling, der går ekstremt hurtigt.”
Fakta
Som ejer af solceller eller varmepumpe burde det være enkelt at optimere energiforbruget – men i en travl hverdag kan det være en udfordring.
Her kommer AI POWER ind i billedet: De har udviklet en platform, der samler lokale og globale data og ved hjælp af AI forudser de billigste tidspunkter at købe eller opvarme – og de mest fordelagtige tidspunkter at bruge batteriet eller slukke varmepumpen.
For at forbedre præcisionen har virksomheden indledt et samarbejde med Alexandra Instituttet via AI Boost, en innovationshub, der skal styrke brugen af AI i SMV’er. Læs mere her
I samarbejdet har Alexandra Instituttet hjulpet med at få testet og verificeret forskellige metoder. Blandt andet har man undersøgt, hvordan såkaldte foundation modeller – som er trænet på store og brede datasæt – klarer sig i specifikke forudsigelser.
Man har også fundet, at det kan være fordelagtigt at træne modeller på datasæt fra andre husstande, når der ikke findes et stort historisk datagrundlag. Her er det især nyttigt at anvende modeller med den populære Attention-algoritme, som gør det muligt for AI-modeller at zoome ind på relevante mønstre og dermed forudsige strømforbrug i en husstand uden historiske data.