​Machine learning viktigt verktyg i kampen mot kapacitetsbrist

Nu möter Ellevio kapacitetsbristen med maskininlärning (engelska: machine learning). Med hjälp av avancerad datahantering blir det enklare att bedöma elnätens framtida behov och möjligheterna att upptäcka och lösa bristsituationer i tid förbättras därmed rejält. Något som behövs om Sverige ska klara energiomställningen.

Med nätkapacitetsbristen i Stockholm ställs frågan på sin spets: kan alla konsumenter få den el de behöver när de vill ha den? Det var här som Ellevios regionnätsstrateg i Stockholm, Isbi Felix, för ett år sedan tog tag i frågan: Hur ska Ellevio i tid kunna stå bättre rustade för de kritiska lägena?

– Den prognosmodell vi hade tidigare var väldigt statisk och tog bara hänsyn till ett fåtal generella aspekter, det blev trubbiga prognoser, säger Isbi Felix och berättar att hon började fundera över all den data Ellevio har som beskriver elnäten och kom snabbt fram till att här måste det finnas möjligheter.

Sökt inspiration utomlands

Som pionjär inom området i Sverige letade sig Ellevio utanför landets gränser för att få inspiration och bland annat studerade man elnätsbolag i Latinamerika och Kanada. Resultatet blev att Ellevio byggde en algoritm som tar hänsyn till bolagets samlade nätdata från de senaste tio åren. Därigenom skapades en analysmodell som ger betydligt mer exakta prognoser om hur flödena och behoven kommer att se ut i elnätet i framtiden

– Exakt hur elen flödar i våra elnät går inte att se med blotta ögat, men algoritmen kan visualisera det. Tidigare kunde vi bara ge prognoser för Stockholm på ett generellt plan under exempelvis vintern, nu kan vi istället göra prognoser för hur behovet kommer att se ut på ett visst ställe i elnätet under en särskild dag vid ett specifikt klockslag.

Förbättrade prognoser

Ellevio jobbar kontinuerligt med att utveckla modellen för att den ska bli ännu mer precis. Men redan nu har man förbättrat prognoserna om kundernas elbehov rejält, något som skapar underlag för ett effektivt beslutsfattande på både kort och lång sikt. Ett exempel är hur ökad flexibilitet och laststyrning kan vara till nytta för att avlasta elnätet under de mest ansträngda perioderna.

– Den här modellen hjälper den dagliga driften av nätet. Vi kan göra prognoser för ett halvår framåt som underlag för investeringar och med ett tioårsperspektiv i prognoserna kan modellen ta fram ett beslutsunderlag för hur vi designar framtidens elnät.

Förändrade beteenden

Vassare prognoser kommer att vara nödvändigt i den framtida nätutvecklingen. När industrin och fordonssektorn ska elektrifieras ökar efterfrågan på nätkapacitet, med solpaneler på var och vartannat villatak flyttar produktionen längre ut i näten och med konsumtionsmönster som förändras i takt med samhällets digitalisering krävs förbättrade prognosmodeller för nätet. Ellevio måste fortsätta veta hur samhället och elsystemet förändras för att kunna svara upp med efterfrågad nätkapacitet.

– Att göra nätprognoser med hjälp av maskininlärning gör att vi kan möta kundernas efterfrågan på ett helt nytt sätt, något som i och med vårt allt mer elektrifierade samhälle kommer att bli allt viktigare i framtiden, säger Isbi Felix.