Intelligent energihantering i "smart community" med distribuerad maskininlärning

Med utvecklingen av elektrisk teknik är många samtida byggnader integrerade med lokala förnybara energikällor (RES), som till exempel solceller.

Till skillnad från traditionella energikonsumenter kan byggnader med lokal RES både konsumera och producera el. Framträdandet av prosumers, EV, lagring och P2P -handel förändrar det elsystemet dramatiskt och gör byggnadens energiförbrukningssida (DSM) ganska komplex.

För att balansera utbudet och efterfrågan samtidigt som resursen utnyttjas till fullo är tillförlitlig prognos för belastning och produktion av RES ett centralt krav i energid DSM för moderna byggnader. För smarta samhällen med komplexa rutnät är exakt prognoser ganska utmanande på grund av begränsningarna av modellöveranpassning, latens, integritet och höga kommunikationskostnader, vilket är vanligt i centraliserat maskininlärning (ML).

För att lösa problemet nyttjas nyligen föreslagna distribuerade ML, dvs. federerat lärande (FL) för att hantera problemen med modellnoggrannhet, integritets och kommunikationskostnader för belastning och RES-prognoser i smart byggnad DSM. Projektet utvecklar nya FL-baserade djup ML algoritmer för både prognoser för belastning och R E S-generation. Projektet nyttjar AD MM-baserad optimering för energihantering. Resultat ska verifieras i testbäddar för partners smarta byggnader.

Projektet förväntar sig att de föreslagna teknologierna väsentligt kan optimera energianvändningen (vilket minskar utsläppen av växthusgaser) och samtidigt förbättra prosumerekonomin och användarnas integritet skyddas också.

Projektpartnerna inkluderar KTH, SuperGrid AB och Haneberg Lantbruk AB (HLA, byggägare och slutanvändare). Projektets forskningsresultat ska verifieras i HLAs smarta community.

De förväntade resultaten inkluderar studenter och forskarutbildning, nya ML algoritmer, forskningsartiklar, testbädd, programvara med öppen källkod, förbättrad elanvändningseffektivitet och ekonomi i smarta byggnader.