Hoppa till huvudinnehåll

Federerad maskininlärning för att skapa typlastprofiler

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

Power lines, poles, twilight

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: 

Projektperiod: April 2025 - Mars 2026

För mer information, kontakta
Anna Svensson
Anna Svensson
Co-lead - Energy
+46 (0)70-972 57 79

Relaterade projekt

Map of Sweden with blue data points.

Simulering och visualisering av Sveriges framtida elsystem

Detta projekt fokuserar på att utveckla ett digitalt verktyg för användare att undersöka olika scenarier relaterade till Sveriges framtida elbehov. Syftet är att underlätta diskussioner mellan...
The image showcases a diverse Swedish neighborhood with various housing types, set against a backdrop of pine trees and rocky terrain, bathed in warm, golden light.

Framtidens elnät skapat med federerad maskininlärning

Detta projekt utforskar potentialen i förbättrade analysverktyg för energibolag att förstå sina kunders beteende. Genom att utveckla en federerad maskininlärningsmodell för analys av elnätsdata, ämnar...
Highway extending through a lake with surrounding forests and mountains.

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

AI-optimerad design av laddning av eldrivna tunga transporter. AI Sweden förbättrar prognoser och användandet av elnätet för utsläppsfria lastbilstransporter.
Preview of the website for the VGR and AI Sweden project 'Generation Toolkit'

Generation Toolkit

Digitalt scenarioverktyg för framtidens elproduktion Västra Götalandsregionen importerar för närvarande 70% av den el som behövs till regionen. Projektet kommer att utveckla ett digitalt...