Vi anvender cookies for at forbedre din oplevelse. Ved at navigere på siden, acceptere du anvendelsen af disse.

Estimering af den marginale CO2-intensitet med AI (machine learning)

Energi
Udgivet den 01.09.2019 Rasmus Skovshoved

Hvordan ved du, hvor din elektricitet kommer fra på et givent tidspunkt? Det simple svar findes ved brug af realtime samkøringsservices, såsom smartgridnetværket, electricityMap m.fl. Men når forbrugere vil planlægge – eksempelvis hvornår elbilen skal lades, eller tunge energiprocesser i industrien skal køre, da bliver tingene noget mere kompliceret. For hvorfor skulle du ikke lade din bil, når elektriciteten er lav-emissions?

Når en forbruger, eller markedet beder om mere energi, vil den ekstra energi komme fra det billigste kraftværk, der stadig har ledig kapacitet på det givne tidspunkt. Dette kalder vi et marginalkraftværk. Et marginalkraftværk er typisk et system som hurtigt kan tilpasses behovet for mere, eller mindre energi, såsom gasturbiner. Det kan dog ikke være solenergi, vindkraft eller anden vedvarende energikilder, da vi ikke kan øge outputtet efter behov (med mindre vi kan kontrollere vejret selvfølgelig).

Generation systems are called upon in a specific order of increasing cost (in order to minimise overall cost). That order gives a curve, called the “merit order curve”.

Når man som forbrugere på et givent tidspunkt, beslutter sig for at lade el-bilen, så resultere dette i, at marginalkraftværket skal producere mere, og dermed er man indirekte årsag til den udledning af CO2 emissioner som er forbundet hermed. Disse emissioner kaldes de marginale emissioner. Det er størrelsen af disse, som burde guide os som fleksible forbrugere. Eksempelvis, så er det bedre at lade el-bilen når der er overskud af vindenergi, fremfor når vindenergien allerede er fuldt udnyttet. Der er dog langsigtede effekter selv ved denne model, men i denne artikel forholder vi os alene til de kortsigtede effekter.

Traditionelt, beregnes de marginale emissioner på baggrund af antagelser om hvilken produktion der er marginal på et givent tidspunkt. Der er dog en anden model – fremfor at antage hvilken produktion der er marginal, så handler denne artikel om, hvordan machine learning (AI) kan anvendes til, at beregne den marginale herkomst af elektricitet, og dermed også de emissioner forbundet hermed.

I Europa er vores elnet godt forbundet. Som resultat heraf, kan den marginale elektricitet sagtens komme fra naboområder. Eksempelvis køber Danmark ofte strøm fra Tyskland og Sverige. Første skridt er derfor, at fastslå, hvilket område der kan producere den nødvendige elektricitet til et givent behov.

Facts
Ut as apid eaquia volupta turerferchit pa dene lorem
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.
  • Od maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius quis arum. Maiorro enectatur? Qui ommo et op. Ute viti verionse nost ilibeatius.

Skåret ind til benet, så er løsningen en simple formulering der fastslår, at al produktion (eller import) af elektricitet, som historisk har været observeret, kan forklares som en sum af to komponenter; et der er uafhængig af ændringer i energibehovet (som eksempelvis vindkraft), og et der er afhængig af behovet, hvilket er den vi er interesseret i.

Dette gør sig gældende for alle områder, ved alle vejrkonditioner, og på alle tidspunkter året rundt.

A change of generation (or import), depicted as dX, can be separated as the sum of a demand-dependent and a demand-independent contribution. The multiplier g(z) applied to a change in demand dL is the marginal factor.

Funktioner g(z) er den marginale faktor i en given situation z. Den repræsenterer den typiske stigning af den lokale produktion (eller import) X, over et tidsinterval når behovet stiger med én enhed under det samme interval: dette er den marginale herkomst af elektricitet.

Databaser gemmer enorme mængder af historiske måledata, hvor disse ændringer er observeret over en bred palette af vejr og marked konditioner z. Ændringerne i produktionen (eller importen) dX, er dermed registreret sammen med ændringer i det lokale behov dL. Man kan på denne baggrund estimere, hvilke situationer z der bedst separeres i en marginal og ikke-marginal part, for dermed at udlede den marginale faktor. Med den, kan man estimere den marginale herkomst af elektricitet i fremtidige kendte situationer z.

Kontakt
Rådgivende Ingeniør
Rasmus I. Skovshoved

Med en baggrund som civilingeniør i energi og klima, skriver jeg bl.a. om samfundsudfor- dringerne ved klimakrisen, de store udfordringer ved hele den grønne omstilling samt de politiske tiltag der relatere sig hertil. Til hverdag arbejder jeg specifikt med energi og miljø, og en stor del af min arbejdstid, går med at rådgive virksomheder i energioptimering og spild.

Let's talk... Hvordan kan vi hjælpe dig?
Udfyld formularen eller giv os gerne et kald på telefon +45 7020 4252





contact