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 projektet generera nya och värdefulla insikter för energibranschen.

Bild (AI-genererad): Ett mångsidigt svenskt bostadsområde med en blandning av hustyper som illustrerar varierande elförbrukningsmönster.
Projektet syftar till att skapa bättre, datadrivet beslutsunderlag för utvecklingen av elsystemet. Detta ska förbättra möjligheten att tillräckligt med elkraft finns tillgänglig på rätt plats, vid rätt tidpunkt och i rätt mängd.
En nyckelkomponent i scenarier och prognoser för elnät är förmågan att förstå hur kundernas elbehov kan förändras. Detta är avgörande för planeringen av utbyggnaden av elinfrastrukturen.
För närvarande har många elnätsföretag, särskilt de mindre, utmaningar med att skapa effektiva scenarier och prognoser på grund av begränsad data. Eftersom datan ofta skyddas av regleringar är det svårt eller till och med omöjligt att dela den.
Genom att använda federerad inlärning kan dock elnätsföretag gemensamt träna maskininlärningsmodeller på sin samlade data utan att någonsin dela känslig information. Detta projekt syftar till att utveckla sådana federerade maskininlärningsmodeller, vilket möjliggör bättre analyser för en mer optimal hantering av elnätsdrift och utveckling.
Utmaningar
- Den ökande efterfrågan på el på grund av industriell expansion och elektrifiering
- Svårigheter att bevilja förfrågningar om ökad elektrisk effekt
- Utmaningen att skapa noggranna scenarier och prognoser för framtida elbehov
- Restriktioner kring delning av elnätsdata på grund av säkerhet och konfidentialitet
Projektets syfte
Projektets syfte är att förbättra elnätsföretagens förmåga att analysera och optimera energiflöden genom att utveckla en maskininlärningsmodell för tidsseriedata från elnätet med hjälp av federerad maskininlärning. Denna teknik möjliggör träning av en modell på data från olika parter utan att själva datan delas, vilket adresserar frågor om datasekretess.
Projektet kommer att lägga grunden för en nationell de facto-standard för användning av federerad maskininlärning för att skapa framtida lastprofiler, med beaktande av olika kundmetadata.
Förväntat resultat
- Ett förslag till en standardiserad datastruktur för elnätsdata
- Ett förslag till en federerad ML-plattform för elnätsföretag
- En prototyp av en ML-modell för att identifiera elkunder och deras beteenden
- Standardiserade lastprofiler för olika elkunder (initialt för ett begränsat antal)
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: Vinnova
Deltagare:
- AI Sweden
- Herrljunga Elektriska
- Jönköping Energi
- Kinnekulle Energi
- Lerum Energi
- Lokalkraft Sverige
- Mölndal Energi
- Öresundskraft
Projektperiod: Oktober 2024 - Oktober 2025
För mer information, kontakta

Relaterade projekt

Simulering och visualisering av Sveriges framtida elsystem

Federerad maskininlärning för att skapa typlastprofiler

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