I projektet MissionGreenFuels, der har til formål at accelerere implementeringen af grønne brændstoffer, skal Alexandra Instituttet træne en ligning, der kan genkende uregelmæssigheder i et Power-to-X-system.

Power-to-X er en proces, der transformerer elektricitet til hydrogen, som derefter kan anvendes som brændstof, for eksempel i hydrogenskibe. Teknologien spiller en central rolle i Danmarks klimamål, der sigter mod at eliminere brugen af fossile brændstoffer inden 2050.

Udviklingen af fremtidens energiforsyning og nye grønne brændstoffer er imidlertid en kompleks opgave, der kræver præcis overvågning. Ét af de værktøjer, der kan anvendes til at tackle denne udfordring, er kunstig intelligens.

Sådan lyder det fra Étienne Bourbeau, AI Specialist ved Alexandra Instituttets AI Lab, der som en del af projektet MissionGreenFuels arbejder på at udvikle og teste en AI-platform, der benytter deep learning til at monitorere data og identificere den optimale driftstilstand for Power-to-X-systemer.

Kan AI overvåge og optimere processen?

Ifølge Étienne Bourbeau er formålet 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.

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.

Ét af to spor

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.”

Læs mere om projektet her