Federerad maskininlärning för att skapa typlastprofiler
Projektet undersöker hur federerad maskininlärning kan skapa dynamiska typlastprofiler för ett digitalt prognosverktyg för framtida nätkapacitet.

Foto: Tomas Ärlemo, Svenska kraftnät
AI Sweden har under flera år undersökt och utvecklat kunskap kring federerad maskininlärning på känsliga dataset inom hälsodata, fordonsdata och finansiell transaktionsdata. Denna teknik möjliggör träning på dataset hos flera parter utan att data delas.
Svenska Kraftnät har ett regeringsuppdrag att planera för ökad elanvändning och behöver utveckla långsiktig planering av elnätet. Noggranna prognoser krävs för att visualisera var elproduktion, flexibilitetsresurser och elanvändning kan/bör anslutas.
Detta projekt undersöker om federerad maskininlärning på elnätsdata kan skapa dynamiska typlastprofiler för ett digitalt prognosverktyg för framtida nätkapacitet. Projektet kommer även att undersöka värdet av maskininlärning jämfört med klassiska metoder och identifiera potentiella institutionella hinder.
Utmaningar
Den största utmaningen är hur elnätsföretag kan samarbeta för att skapa en gemensam ML-modell för typlastprofiler utan att bryta mot lagstiftningen. Projektet kommer även att skapa en prototyp av ett användarvänligt verktyg för att visualisera tillgänglig nätkapacitet.
Projektets syfte
Syftet är att undersöka om och hur federerad maskininlärning på elnätsdata kan bidra till skapandet av dynamiska typlastprofiler för ett digitalt prognosverktyg för framtida tillgänglig nätkapacitet.
Förväntat resultat
- En fungerande federerad "inlärningsinfrastruktur" av ML-modeller
- Val av format och struktur för nödvändig elnätsdata och metadata
- En prototyp av en ML-modell som genererar syntetiska typlastprofiler
- En "mockup" av en kapacitetskarta och ett användargränssnitt
Vad är Federerad maskininlärning?
Federerad maskininlärning är en teknik där flera aktörer samarbetar för att träna en maskininlärningsmodell utan att dela rådata. Varje enhet tränar modellen lokalt och delar endast uppdateringar (som gradienter), vilket bevarar dataintegriteten och säkerheten.
Fakta
Finansiering: Svenska Kraftnät
Deltagare:
- AI Sweden
- E.ON
- Ellevio
- Svenska Kraftnät
Projektperiod: April 2025 - Mars 2026
För mer information, kontakta

Relaterade projekt

Simulering och visualisering av Sveriges framtida elsystem

Framtidens elnät skapat med federerad maskininlärning

E-Charge 2: AI-lösningar optimerar laddinfrastrukturen för tunga transporter
