Kunstig intelligens skal løse ligningen med at udvikle grønne brændstoffer

Alexandra Instituttet skal træne en ligning, der kan genkende uregelmæssigheder i et Power-to-X-system. Projektet er en del af MissionGreenFuels, der er et partnerskab, som skal fremme grønne brændstoffer i samfundet.

Fremtidens energiforsyning kræver både fleksibilitet og udvikling af nye typer af brændstoffer. Det er en kompleks proces, som kræver nøje overvågning. Et af midlerne til at komme i mål med det energitekniske puslespil er kunstig intelligens. 

Sådan lyder det fra Étienne Bourbeau, som er AI Specialist i vores AI Lab, der i samarbejde med MissionGreenFuels skal udvikle og teste en AI-platform, der anvender deep learning til at holde rede på data og kunne genkende den optimale tilstand, som sådan et Power-to-X-system skal køre i.

Formålet er ifølge Étienne Bourbeau at finde ud af, hvordan vi får sat Power-to-X i drift, og i særdeleshed at kende den optimale tilstand. Hvis elpriserne stiger, fordi der ikke er så meget sol eller vind, så giver det fx ikke mening at producere brændstoffer, og så skal man stoppe processen. Her er det især et spørgsmål om, hvorvidt man kan bruge AI til at vurdere, om alt er, som det skal være i processen.

“Der er to ting, som vi skal have svar på. Den ene er, hvordan vi genkender den optimale tilstand på baggrund af de sensorer, der sidder i et Power-to-X-system. For når man har så mange variable, som skal køre dynamisk, så kan det være svært at finde ud af, om de her data giver mening, og om vi er i en kendt tilstand. Og så skal vi også blive klogere på, om der sker fejl, som vi ikke havde forventet, ligesom vi skal finde ud af, hvordan vi kan detektere de her fejl,” forklarer Étienne Bourbeau. 

Power-to-X er en kompliceret proces, hvor strøm omdannes til hydrogen (brint) og dermed får man et drivmiddel, som fx kan anvendes af hydrogenskibe. Power-to-X er en vigtig brik i Danmarks klimaambitioner om at nå i mål med at stoppe for anvendelsen af fossile brændstoffer i 2050.

På flere områder er elektrificering svaret, men for fly- og skibstrafik er det ikke løsningen, da batterier ikke indeholder nok energi per kilo, hvilket gør det svært at drive et fly, uden at det skal medbringe ret tunge batterier, og som også betyder, at der er mindre plads til passagerer og gods. Her er Power-to-X en vigtig, fremtidig energikilde, fordi det er en af de eneste måder, hvor vi kan producere brændstoffer til fly og skibe. 

“En anden del af Danmarks klimaplan handler om fleksibilitet, da der ikke produceres så meget stabilt el herhjemme, fordi sol og vind skifter. Der skal samtidig kobles flere brugere på det eksisterende elnet. Det gælder fx vores kraftvarmeværker, som på sigt ikke kan bruge brændstoffer og måske skal bruge varme fra andre processer som fx spildevand og datacentre. Overordnet er det derfor vigtigt, at vi bliver klogere på, hvordan vi bruger vores energi, og hvordan vi får skabt et fleksibelt system med mange typer af brugere,” forklarer Étienne Bourbeau.  

Deep learning-metoden er det ene af to spor, som skal testes af i projektet. Det andet spor fokuserer på at bygge en digital tvilling af et Power-to-X-system. Dette arbejde udføres af Aalborg Universitet.

“Der er fordele og ulemper ved begge metoder. Fordelen ved AI-metoden er, at den er god til at håndtere data fra sensorer, fordi maskinlæring kan ‘trække sig ud af larmen’ af store mængder data. Til gengæld kræver det meget data, og det er svært at forstå årsagen, hvis AI-systemet peger på en fejl, og hvad fejlen skyldes. Det modsatte gælder for den digitale tvilling, som så måske tager længere tid at tilpasse.”

For at få verificeret om AI-metoden fungerer, er det planen at tage en tidsserie af datapunkter og samle den i en punktsky, forklarer Étienne Bourbeau:

“Jeg tager fx 160 datapunkter og samler dem i et 2D-billede. Fordelen er, at du nemt kan se, hvis der kommer afvigelser, og du vil også kunne opdage, hvis der er en komponent, der fejler. Hvis du tager konceptet videre, vil du også kunne bruge modellen til at genkende, hvordan processen ser ud og til at beregne, om modellen ligger uden for et område og dermed definere en ‘damage zone’.”

I projektet vil man evt. også teste, hvordan en grå boks-løsning ser ud. Altså en kombination af AI og digital tvilling, hvor man bruger maskinlærings-arkitekturen, der er inspireret af de fysiske flows i Power-to-X-systemet.