Hvad ved vi om AI til forudsigelse af sol og skyer?

Kan kunstig intelligens forudsige solproduktionen præcist nok til at stabilisere et elnet med stigende andel solenergi?

Det politiske spørgsmål

Danmark skal ifølge klimamålene reducere sine drivhusgasudledninger med 70 procent inden 2030. Solenergi spiller en central rolle i den omstilling. Men jo mere sol der kommer ind i elnettet, desto sværere bliver det at styre forsyningen — for solen skinner ikke på kommando.

Det skaber et konkret teknisk og politisk problem: Distributionsnettet skal til enhver tid have balance mellem forbrug og produktion. Når en sky glider hen over en stor solcellepark, kan produktionen falde dramatisk på få minutter. Hvis netoperatørerne ikke ved det i forvejen, risikerer de enten at slukke for unødvendigt meget baggrundsproduktion eller at stå med et pludseligt underskud.

Spørgsmålet er derfor: Kan AI-baserede vejrmodeller forudsige solproduktionen præcist nok og hurtigt nok til at hjælpe netoperatørerne? Og hvad ved vi egentlig om, hvad teknologien kan og ikke kan?

Det empiriske spørgsmål bag

Bag den politiske debat om vedvarende energi og forsyningssikkerhed gemmer sig et konkret videnskabeligt spørgsmål: Hvor godt kan maskinlæringsmodeller forudsige kortsigtede udsving i solindstråling — typisk inden for en tidshorisont på 0 til 6 timer frem, det man kalder "nowcasting" eller ultra-kortsigtsprognosticering?

Det er ikke det samme som den daglige vejrudsigt. Det handler om at forudsige, hvilke skyer der bevæger sig hen over hvilke solcelleanlæg inden for de næste 15 til 60 minutter — med en præcision der er god nok til, at netoperatører kan reagere i tide.

Hvad ved vi

✓✓ Solenergi vokser hurtigt og skaber reelle udfordringer for nettet

Solenergi er i dag en central del af den danske energipolitik. Energistyrelsen fremhæver direkte, at solenergi spiller en afgørende rolle for målet om, at det danske elforbrug skal dækkes af vedvarende energi, og at drivhusgasudledningerne skal reduceres med 70 procent i 2030. Den samme tendens ses i udlandet — elforbrug og solkapacitet stiger parallelt i hele Europa, som det fremgår af Klimarådets analyse fra maj 2023.

Det betyder, at netoperatørerne i stigende grad skal håndtere en produktion, der varierer med vejret frem for med menneskelige beslutninger.

✓✓ Netvirksomhederne har ansvaret — og har brug for bedre data

Energistyrelsens FAQ om energifællesskaber beskriver, at netvirksomhederne ejer, vedligeholder, udbygger og driver distributionsnettet i hvert sit geografiske område. De er ansvarlige for, at strømmen flyder stabilt ud til forbrugerne. Det er altså netvirksomhederne — ikke Energinet alene — der i hverdagen skal navigere i udsving fra lokale solcelleanlæg.

For at gøre det rigtigt har de brug for prognoser. Jo bedre prognoser, desto færre unødvendige indgreb, desto billigere og mere stabil drift.

✓ AI og satellit-data kan forbedre kortsigtsprognoser markant

Den centrale pointe i den artikel på Ingeniøren, der ligger til grund for denne gennemgang, er, at nye AI-metoder kombineret med satellit- og skydata kan levere prognoser for solproduktionen, der er markant bedre end traditionelle numeriske vejrmodeller på den korte tidshorisont — altså inden for de første par timer.

Traditionelle vejrmodeller er gode til at sige, om det bliver en solskinsddag eller en overskyet dag. Men de er dårlige til at forudsige præcist, hvornår en bestemt sky passerer over et bestemt punkt. Det kan AI-modeller, der er trænet på satellit-billeder af skyernes bevægelse, potentielt gøre bedre.

✓ Energinet arbejder allerede med prognosesystemer

Energistyrelsen udarbejder hvert år analyseforudsætninger til Energinet, der bruges i planlægningen af energisystemets infrastruktur. Det viser, at prognoser og modellering er en integreret del af den danske energiplanlægning — og at behovet for præcise tal om fremtidig produktion er veldokumenteret og anerkendt på myndighedsniveau.

Hvad ved vi ikke

~ Hvor meget bedre AI er end eksisterende metoder i praksis

Der er lovende resultater fra forskning i AI-baseret solprognosticering. Men det er ikke entydigt dokumenteret i de tilgængelige kilder her, præcis hvor stor forbedringen er under danske vejrforhold og med dansk infrastruktur. Forskning fra andre lande og klimazoner lader sig ikke direkte oversætte.

Det er én ting at vise, at en model klarer sig godt på testdata. Det er noget andet at integrere den i den daglige drift af et nationalt elnet, hvor fejl har reelle konsekvenser.

~ Hvor robust teknologien er under ekstreme vejrsituationer

AI-modeller er typisk gode, når de nye data ligner de data, de er trænet på. Men ekstreme eller sjældne vejrsituationer — kraftige frontpassager, usædvanlige skydannelser, pludselig dis eller støv — kan give modellen udfordringer. Her mangler vi stadig systematisk viden om, hvornår AI-modellerne fejler, og hvor alvorligt det er.

~ Hvem betaler, og hvem ejer dataen

Satellit-data fra for eksempel EU's Copernicus-program er i princippet frit tilgængeligt. Men de infrastruktur- og integrationsomkostninger, der kræves for at omsætte AI-prognoser til brugbare signaler for netvirksomhederne, er ikke dokumenteret i de tilgængelige kilder. Det er uklart, om det er en opgave for Energinet, de individuelle netvirksomheder, private aktører eller en kombination.

~ Den konkrete regulatoriske ramme

Der er ikke i de tilgængelige kilder dokumentation for, at der eksisterer en klar regulatorisk ramme i Danmark for, hvordan AI-prognoser må og skal bruges i netstyring — herunder ansvarsspørgsmål, hvis en prognose fejler og medfører forsyningsafbrydelser.

Hvad eksperter er uenige om

⚖ Skal indsatsen centraliseres eller distribueres?

Der er en principiel diskussion om, hvor prognoserne bør produceres og bruges. Én tilgang er at centralisere: Energinet eller en national aktør leverer én fælles prognose, som alle netvirksomheder forholder sig til. En anden tilgang er at distribuere: Hver netvirksomhed arbejder med lokale modeller, der er skræddersyet til det specifikke geografiske område.

Begge tilgange har fordele. Centralisering giver stordriftsfordele og ensartethed. Distribuering giver mere lokal præcision. Det er ikke et rent teknisk spørgsmål — det er også et spørgsmål om ansvar, økonomi og regulering.

~ Hvor langt ud i fremtiden AI-prognoser er pålidelige

Der er ikke konsensus om, præcis hvor lang en tidshorisont AI-baserede solprognoser kan dække med tilstrækkelig præcision. Nowcasting på 0 til 2 timer er det område, hvor AI typisk klarer sig bedst i forhold til traditionelle vejrmodeller. På 6 til 24 timer er billedet mere blandet. Og på længere sigt — eksempelvis i forhold til den ugentlige planlægning af reservekapacitet — er det tvivlsomt, om AI tilfører afgørende merværdi over traditionelle modeller.

⚖ Er AI-prognoser gode nok til at reducere behovet for reservekapacitet?

Et af de store potentielle gevinster ved bedre solprognoser er, at netoperatørerne kan holde mindre reservekapacitet klar — altså kraftværker, der kører på lav effekt klar til hurtigt at rykke op, hvis solproduktionen svigter. Det er dyrt og CO₂-tungt. Men det kræver, at prognoserne er meget pålidelige. Hvis de er det, kan man spare meget. Hvis de ikke er det, kan man risikere forsyningsudfald. Denne afvejning er ikke teknisk neutral — den indeholder en risikoappetit, som er et værdispørgsmål for politikere og regulatorer, ikke kun et spørgsmål for ingeniører.

Konklusion

Behovet er reelt. Danmark har et klart politisk mål om at øge andelen af vedvarende energi markant, og solenergi er en central del af den plan. Det lægger et stigende pres på netstyringen, fordi solproduktion svinger med vejret på måder, som de eksisterende prognosesystemer ikke altid kan følge præcist nok.

AI-teknologi — særligt modeller der kombinerer satellitbilleder af skyernes bevægelse med maskinlæring — har vist lovende resultater til kortsigtsprognosticering. På tidshorisonter under to timer ser det ud til, at AI kan levere bedre forudsigelser end traditionelle numeriske vejrmodeller.

Men det er vigtigt ikke at overdrive. Vi mangler stadig solid dokumentation for, præcis hvor stor forbedringen er under danske forhold, hvor robuste modellerne er i ekstremsituationer, og hvad det koster at integrere dem i den daglige drift hos netvirksomhederne. Vi mangler også en klar regulatorisk ramme for, hvordan sådanne prognoser skal bruges og hvem der har ansvaret, hvis de fejler.

AI er ikke en tryllestav, der løser elnetets kapacitetsudfordringer. Det er ét redskab blandt flere — og et redskab, der kræver seriøs infrastruktur, klare ansvarslinjer og løbende kvalitetssikring for at fungere i praksis. Den vigtigste næste skridt er ikke at hype teknologien, men at afprøve den systematisk under danske forhold og sikre, at den regulatoriske ramme er på plads, inden den tages i brug til kritisk netstyring.