Jobs inden for maskinlæring

Maskinlæring i vedvarende energi

Maskinlæring i energisektoren handler om modeller, der matcher svingende produktion med efterspørgslen i nettet. De forudsiger vind- og solproduktion timer eller døgn frem, optimerer batteridispatch, opdager begyndende turbinefejl ud fra vibrationsdata og prissætter strøm på dagshandlen.

Det er gået fra forskningskuriosum til driftsnødvendighed. DeepMind har rapporteret en 20 % stigning i vindenergiens værdi, efter at deres neurale netværk forudsagde produktionen 36 timer i forvejen og dermed gjorde det muligt at forpligte sig på dagshandlen i stedet for at balancere i sidste øjeblik. Energinet håndterer over 950 terabyte gitterdata om året og har et eget Advanced Analytics-team, der eksperimenterer med maskinlæring på alt fra forsyningssikkerhed til vedligeholdelsesplanlægning. Samtidig peger IEA's Energy and AI-rapport på, at AI-kompetencer er klart underrepræsenteret i forsyningssektoren sammenlignet med teknologi-, finans- og mediebranchen. Der ligger åbningen.

Hvor jobbene ligger

Rollerne deler sig i nogle få typer. Data scientists bygger prognoser for produktion og forbrug, ML-ingeniører sætter modellerne i drift i handels- og dispatchsystemer, dataingeniører kobler SCADA og målerdata til dataplatformene, og et mindre forskningsmiljø arbejder med plasmastyring i fusion, materialedesign og tilstandsmodeller for batterier. Stillingsbetegnelser som "Data Scientist - Forecasting & Analytics" går igen, fordi det er i prognoserne, at maskinlæringen skaber den klareste kommercielle værdi.

Geografisk samler ansættelserne sig om få byer. London fører i volumen takket være forsyningsselskaber, energihandlere og analytikfirmaer. Berlin og München følger, drevet af Energiewendes behov for netværkssoftware. Bristol, Glasgow, San Francisco, Houston, Bengaluru og Singapore runder toppen. Fjernarbejde er mere udbredt her end i tekniske feltroller, men de fleste stillinger kræver overlap med en handelsafdelings eller driftafdelings tidszone.

Arbejdsgivere og løn

De aktive arbejdsgivere fordeler sig på fire typer. Forsyningsselskaber og anlægsejere (Vattenfall, EDP Renewables, NextEra Energy) ansætter til prognoser, optimering og porteføljeanalyse. Netværkssoftware og forbrugerplatforme (OVO Energy, Kiwigrid, Uplight, Eliq) bruger ML til forbrugsdisaggregering, kundesegmentering og styring af decentrale energiressourcer. Handelsfokuserede firmaer som Gridmatic hyrer kvantitative ML-ingeniører til lønninger på fintech-niveau. Producenter (Verkor, Bloom Energy) bygger modeller for battericelle-degradering og brændselscellers ydeevne.

Lønningerne afspejler krydsbestøvningen. ML-ingeniører i Tyskland tjener typisk 520.000 til 745.000 kr. (70.000 til 100.000 €) i grundløn, og seniorroller i Berlin eller München passerer 895.000 kr. (120.000 €). I Storbritannien steg lønningerne i sektoren med 13,2 % i gennemsnit i 2025, og ML-ingeniører hos energistart-ups i London ligger ofte på 730.000 til 945.000 kr. (85.000 til 110.000 £). Tillægget går til kandidater, der kobler ML-grundlaget med faglig viden: tidsserieprognoser, mekanikken i elmarkedet, arbejde med SCADA og data fra transmissionsnettet eller prædiktive modeller til drift af aktiver.

Hvad rekrutterne ser efter

Generelle ML-meritter rækker ikke. Ansættende chefer her ser efter enten produktionserfaring med tidsserier og sandsynlighedsprognoser (LSTM, gradient boosting, konform prædiktion) eller en troværdig grund til, at man netop vil ind i energisektoren. Tilstødende kompetencer, der går igen: Python, PyTorch eller TensorFlow, MLOps-værktøjer, geografisk analyse og i stigende grad LLM-værktøjer til anlægsdokumentation og operatør-copiloter. De stærkeste kandidater forstår også basics i el-systemet: hvad curtailment er, hvorfor balancemarkederne findes, hvad der udgør et batteris indtjeningsstak. Kombinationen af data science og faglig forståelse er det, der flytter et CV fra "måske"-bunken til en første samtale.