חיזוי עומס וניהול ביקוש מבוססי אופטימיזציה במיקרו-גרידים של בנייני חכמים עם Greylag Goose ומודלי גרף דו-רמתיים

מדוע בניינים חכמים זקוקים למוחי אנרגיה חכמים יותר

כשבתים, משרדים וקמפוסים מתקינים לוחות סולאריים, סוללות וכלי רכב חשמליים, ניהול האנרגיה נעשה מפתיע ומורכב. בניינים צריכים להחליט כל הזמן מתי למשוך חשמל מהרשת, מתי לטעון או לפרוק סוללות, ואיך להימנע מבזבוז וכיבויים. מאמר זה מציג "מוח אנרגיה" חדש למיקרו-גרידים של בניינים חכמים שחוזה שימוש בחשמל בדיוק גבוה ומתכנן שימוש בסוללות באופן שכל יכול להכפיל ואף יותר את חיי הסוללה.

שמירה על האור ברשת מיקרו-מורכבת

מיקרו-גריד של בניין חכם הוא כמו מערכת כוח זעירה שמקיפה אתר יחיד. הוא עלול לכלול סולארי על הגג, טורבינות רוח קטנות, סוללות, כלי רכב חשמליים וחיבור לרשת הראשית. מנהל האנרגיה של הבניין חייב להתאים בין היצע וביקוש כל כמה דקות, גם כששינויי השמש, כניסת ויציאת אנשים והזדקנות הסוללות משפיעים. אם התחזיות שגויות, הבניין עלול לקנות חשמל יקר בשעות שיא, לבזבז אנרגיה מתחדשת או לשחוק סוללות מהר מהצפוי. המחברים מתמקדים בשני יעדים מרכזיים: חיזוי ביקוש אנרגיה קצר-טווח בבניינים כאלה ושימוש במידע זה להפעלת סוללות באופן שמקטין גם עלויות וגם בלאי.

ניקוי הנתונים לפני החיזוי

המערכת מתחילה משנה של מדידות מפורטות ממיקרו-גריד של בניין חכם בהודו. כל חמש דקות החיישנים רשמו זרמים ומתח מהרשת, תפוקת סולארי, התנהגות סוללה ותנאי מזג אוויר כמו טמפרטורה, לחות ומהירות הרוח. נתוני עולם-אמיתי מלוכלכים: חיישנים נכשלים, קריאות קופצות וכמויות שונות משתמשות בקני מידה שונים. כדי לתקן זאת, המחברים מיישמים שלב ניקוי מיוחד שנקרא Fast Resampled Iterative Filtering, שמחליק רעש תוך שמירה על תנודות אמיתיות בביקוש. לאחר מכן הם משתמשים בשיטת חיפוש בהשראת טבע, Prairie Dog Optimization, כדי להחליט אילו קריאות חיישנים חשובות באמת לחיזוי. השיטה בוחרת חמש כניסות מרכזיות — כגון מתח סולארי, כוח פריקת סוללה ושעת יום — ומסירה אותות מיותרים שמוסיפים מורכבות אך מעט מידע חדש.

לימוד רשת לקריאת רשת האנרגיה

במקום להתייחס לכל מדידה כסדרת זמן מבודדת, המחברים ממודלים את האינטראקציות ביניהן כרשת. ב-Relational Bi-Level Aggregation Graph Convolutional Network שלהם, כל צומת בגרף מייצג אחת מהתכונות המרכזיות (למשל טמפרטורה או כוח פריקת סוללה), והקשרים מייצגים עד כמה הן משפיעות זו על זו לאורך זמן. המודל קודם לומד דפוסים מקומיים, כמו איך מתח סולארי וכוח סוללה נעים יחד בחלון קצר, ולאחר מכן בונה דפוסים גלובליים שתופסים מחזורים יומיים ויחסים רחבים יותר. באמצעות שילוב שכבות אלה, המערכת לא רק רואה מתי הביקוש משתנה, אלא איך שינוי זה קשור לשמש, טמפרטורה ושימוש בסוללה, ומשפרת את יכולתו לחזות עומסים קרובים.

הלוואת תבנית טיסה מהאווזים

כדי לכוונן את מודל הגרף הזה, המחברים משתמשים בשיטה ביועילית נוספת, Greylag Goose Optimization. בטבע, אווזים בייצור בצורת V מתאימים את מיקומם כדי לחסוך אנרגיה ולהישאר על המסלול. באלגוריתם הזה, כל "אווז" מייצג סט אפשרי של הגדרות מודל, כגון שיעור למידה ומשקלים פנימיים. במהלך האימון אווזים וירטואליים אלה חוקרים ומחדדים את מיקומם, מחפשים שילובים שנותנים את שגיאת החיזוי הנמוכה ביותר מבלי להיתקע בפתרונות מקומיים גרועים. כוונון אדפטיבי זה עוזר למודל להישאר יציב גם כאשר עומסי הבניין בלתי-סדירים מאוד, כמו שיאים פתאומיים מטעני רכב חשמלי או ירידות בשעות שאין אנשים.

תחזיות חדות יותר וסוללות עמידות יותר

נבדק מול מספר שיטות עמוקות והיברידיות פופולריות, המבנה החדש משיג כ-98.3% דיוק חיזוי ממוצע, לעומת כ-80–92% עבור החלופות הטובות ביותר. מדדי השגיאה שלו נמוכים פחות מחצי מאלו של מודלים מתחרים, והתחזיות שלו עקביות יותר מריצה לריצה. כאשר התחזיות המשמעותיות משמשות לתזמון בעל-מודעות לסוללה, הבניין יכול לשמור על הביקוש בטווח יעיל ולהימנע ממחזורי טעינה–פריקה עמוקים ומלחיצים. הסימולציות מרמזות שבקרה זהירה יותר זו יכולה להכפיל ואף יותר את הזמן שסוללה נשארת מעל 80% מהקיבולת המקורית שלה, ולהפוך חיזוי טוב לחיסכון חומרתי ממשי.

מה זה אומר למשתמשי אנרגיה יומיומיים

עבור הקהל הרחב, המסר המרכזי הוא שתכנון דיגיטלי טוב יותר בתוך בניין יכול להתבטא באופן ישיר בחשבונות נמוכים יותר, פחות הפרעות לרשת וסוללות וציוד שמחזיקים מעמד זמן רב יותר. על-ידי ניקוי נתוני חיישנים, התמקדות באותות המידעיים ביותר, דימוי האופן שבו הם מתקשרים וכיונון המודל בחוכמה, הגישה המוצעת נותנת למיקרו-גרידים של בניינים תמונה הרבה יותר ברורה של העתיד הקרוב. בהירות זו, בתורה, מאפשרת בחירות חכמות יותר מתי לאחסן, להשתמש או למכור חשמל, ומקרבת אותנו לבניינים אמינים ודלי-פחמן שמנהלים בשקט את האנרגיה שלהם מאחורי הקלעים.

ציטוט: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

מילות מפתח: מיקרו-גרידים של בניינים חכמים, חיזוי עומס, השחקת סוללה, ניהול אנרגיה, רשתות עצביות גרפיות