Maksymalizacja zarządzania zużyciem energii i czynniki wpływające na przesunięcie szczytów w inteligentnej sieci na podstawie modelu rekurencyjnej sieci neuronowej i uczenia głębokiego

Dlaczego bardziej inteligentne wykorzystanie energii na kampusie ma znaczenie

Kampusy uniwersyteckie tętnią życiem przez całą dobę: zajęcia, laboratoria, życie w akademikach, nocne sesje nauki oraz stały szum serwerów i oświetlenia. To wszystko daje duże wahania zapotrzebowania na energię elektryczną — ostre szczyty, gdy wiele urządzeń jest włączonych jednocześnie, i głębokie doliny, gdy budynki są słabo wykorzystane. Te szczyty są kosztowne dla sieci i nieefektywne z punktu widzenia środowiska. W badaniu tym analizuje się, jak połączenie nowoczesnych narzędzi AI z magazynowaniem energii opartym na wodorze może pomóc kampusom przewidywać zapotrzebowanie, wygładzać te szczyty i używać energii bardziej efektywnie, nie ograniczając przy tym procesu nauczania.

Wykrywanie wzorców w codziennym życiu kampusu

Istotą pracy jest założenie, że zużycie energii na kampusie nie jest przypadkowe — ściśle podąża za rutynami ludzkimi. Badacze zebrali szczegółowe dane o zużyciu energii z 15 budynków chińskiego uniwersytetu przez około półtora roku, wraz z rekordami pogodowymi i harmonogramami zajęć. Następnie użyli kolorowych map cieplnych, aby pokazać, jak zużycie energii wzrasta i opada godzina po godzinie w różnych miejscach: akademikach, salach wykładowych, biurach, stołówkach i systemach oświetleniowych. Z tych wykresów wydzielili sześć codziennych wzorców, jak na przykład akademiki z dwoma dużymi szczytami w porze lunchu i późnym wieczorem, sale wykładowe osiągające szczyt tylko w czasie zajęć czy oświetlenie uliczne pali się równomiernie przez noc. Te wzorce stanowią podstawę do dostosowanych strategii oszczędzania energii dla każdego typu budynku.

Nauczanie sieci neuronowej prognozowania zapotrzebowania

Aby działać zgodnie z tymi wzorcami, najpierw trzeba wiedzieć, jak będzie wyglądał jutro. Zespół wytrenował typ sztucznej inteligencji zwany rekurencyjną siecią neuronową (RNN) do prognozowania, ile energii każdy budynek będzie zużywał z godziny na godzinę. RNN są zaprojektowane do pracy z sekwencjami, dzięki czemu dobrze nadają się do śledzenia, jak zapotrzebowanie na energię zmienia się w czasie. Model analizował jednocześnie 24 godziny ostatniej historii — poprzednie zużycie energii, temperaturę, wilgotność, porę dnia, dzień tygodnia lub weekend oraz nawet czy zaplanowano zajęcia — i następnie przewidywał zużycie na następną godzinę. Autorzy zadbali o czyszczenie danych: uzupełniali brakujące odczyty, szukając podobnych dni o zbliżonej pogodzie i harmonogramie, oraz chronologicznie dzielili dane na zbiory treningowe, walidacyjne i testowe, by uniknąć przeuczenia.

Pokonując inne metody prognozowania

Wyniki RNN porównano z kilkoma powszechnymi narzędziami prognostycznymi, w tym prostą regresją liniową, bardziej elastyczną regresją nieliniową, tradycyjnymi modelami statystycznymi jak ARIMA i modelami Grey, oraz inną metodą uczenia głębokiego nazwaną LSTM. W danych z kampusu i trzech publicznych zbiorach dotyczących zużycia energii RNN konsekwentnie uzyskiwały niższe błędy. W testach na rzeczywistym kampusie średni błąd kwadratowy RNN — miara silnie karząca duże pomyłki — był znacząco mniejszy niż w przypadku regresji liniowej, a średni błąd procentowy utrzymywał się w pojedynczych cyfrach. Rozkłady błędów pokazały, że pomyłki RNN były ciasno skupione, a przewidywane krzywe niemal pokrywały się z rzeczywistym obciążeniem, co wskazuje na dokładność i stabilność. Choć autorzy zastrzegają, że to nie oznacza, iż RNN zawsze przewyższa LSTM w ogólności, demonstruje to, że relatywnie prosta sieć może działać bardzo dobrze w tym konkretnym zastosowaniu.

Wygładzanie krzywej zużycia za pomocą magazynowania wodoru

Samo prognozowanie nie obniża rachunków; potrzebny jest też sposób zmiany kształtu zapotrzebowania. W badaniu wprowadzono wirtualny system magazynowania energii wodorowej, który zachowuje się jak ogromny akumulator buforowy. Gdy prognoza RNN sygnalizuje godziny o niskim obciążeniu, system „ładuje się”, przekształcając prąd w wodór; gdy nadchodzą szczyty, „rozładowuje się”, oddając zgromadzoną energię z powrotem na kampus. Algorytm programowania dynamicznego decyduje, godzina po godzinie, czy magazyn ma się ładować, rozładowywać czy pozostać bezczynny, przestrzegając jednocześnie ograniczeń dotyczących pojemności, mocy i sprawności. W reprezentatywnym 24-godzinnym przykładzie strategia ta obniżyła maksymalne dzienne obciążenie z około 46 kilowatogodzin do około 33, zmniejszyła różnicę między szczytem a średnim zużyciem oraz wyeliminowała wszystkie okresy, w których zapotrzebowanie przekraczało ustalony limit. Kosztem był niewielki wzrost całkowitego dziennego zużycia energii — mniej niż jeden procent — spowodowany stratami w cyklu magazynowania.

Co to oznacza dla codziennych użytkowników energii

Mówiąc prosto, badanie pokazuje, że kampusy — a przez to kompleksy biurowe, szpitale czy dzielnice mieszkaniowe — mogą używać AI nie tylko do przewidywania swojej energetycznej przyszłości, lecz także do jej kształtowania. Poprzez prognozowanie kiedy i gdzie będzie potrzebna energia oraz łączenie tych prognoz z elastycznymi magazynami, takimi jak zbiorniki na wodór czy baterie, operatorzy mogą redukować kosztowne szczyty, lepiej wykorzystywać energię poza szczytem i zmniejszać obciążenie sieci. Autorzy zastrzegają, że wyniki pochodzą z jednego kampusu i symulowanego magazynu, a wdrożenia w rzeczywistości muszą uwzględniać koszty, emisje oraz komfort użytkowników. Mimo to przedstawione ramy stanowią realistyczny plan działania dla mądrzejszego, czystszego wykorzystania energii w miejscach, gdzie nawyki energetyczne jutra kształtują się dziś.

Cytowanie: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Słowa kluczowe: inteligentna sieć, energia kampusowa, prognozowanie obciążenia, magazynowanie wodoru, uczenie głębokie