Prognozowanie obciążenia oparte na optymalizacji i zarządzanie popytem w mikrosieciach inteligentnych budynków z wykorzystaniem Greylag Goose i modeli grafów dwupoziomowych

Dlaczego mądrzejsze budynki potrzebują mądrzejszych „mózgów” energetycznych

W miarę jak domy, biura i kampusy instalują panele słoneczne, baterie i pojazdy elektryczne, zarządzanie energią staje się zaskakująco skomplikowane. Budynki muszą nieustannie decydować, kiedy pobierać energię z sieci, kiedy ładować lub rozładowywać baterie oraz jak unikać strat i przerw w dostawie. W artykule przedstawiono nowe „mózg energetyczny” dla mikrosieci inteligentnych budynków, który bardzo dokładnie prognozuje zużycie energii i planuje wykorzystanie baterii tak ostrożnie, że może to ponad dwukrotnie wydłużyć ich żywotność.

Utrzymanie zasilania w złożonej mini‑sieci

Mikrosieć inteligentnego budynku to jak niewielki system zasilania skoncentrowany wokół jednego obiektu. Może obejmować instalacje fotowoltaiczne na dachu, małe turbiny wiatrowe, baterie, pojazdy elektryczne oraz połączenie z główną siecią. Menedżer energii budynku musi co kilka minut dopasowywać podaży do popytu, nawet gdy zmienia się nasłonecznienie, ludzie przychodzą i wychodzą, a baterie się zużywają. Jeśli prognozy są nieprecyzyjne, budynek może kupować drogą energię w szczycie, marnować odnawialne źródła lub szybciej zużywać baterie. Autorzy skupiają się na dwóch kluczowych celach: przewidywaniu krótkoterminowego zapotrzebowania energetycznego w takich budynkach oraz wykorzystaniu tej wiedzy do obsługi baterii w sposób zmniejszający koszty i degradację.

Oczyszczanie danych przed prognozowaniem

System zaczyna od roku szczegółowych pomiarów z rzeczywistej mikrosieci inteligentnego budynku w Indiach. Co pięć minut czujniki zapisywały prądy i napięcia sieci, produkcję PV, zachowanie baterii oraz warunki pogodowe, takie jak temperatura, wilgotność i prędkość wiatru. Dane z rzeczywistego świata są nieuporządkowane: czujniki zawodzą, odczyty skaczą, a różne wielkości mają różne skale. Aby to naprawić, autorzy stosują wyspecjalizowany krok oczyszczania zwany Fast Resampled Iterative Filtering, który wygładza szumy, zachowując jednocześnie rzeczywiste wahania zapotrzebowania. Następnie używają inspirowanej naturą metody przeszukiwania Prairie Dog Optimization, aby zdecydować, które odczyty czujników mają rzeczywiście największe znaczenie dla prognozy. Metoda wybiera pięć podstawowych wejść — takich jak napięcie paneli słonecznych, moc rozładowania baterii i pora dnia — usuwając redundantne sygnały, które zwiększałyby złożoność, nie wnosząc istotnej informacji.

Nauczanie sieci „czytania” energetycznej sieci relacji

Zamiast traktować każdy pomiar jako odizolowany szereg czasowy, autorzy modelują ich interakcje jako sieć. W ich Relational Bi-Level Aggregation Graph Convolutional Network każdy węzeł grafu reprezentuje jedną z kluczowych cech (na przykład temperaturę lub moc rozładowania baterii), a krawędzie odzwierciedlają, jak silnie wzajemnie na siebie wpływają w czasie. Model najpierw uczy się lokalnych wzorców, na przykład jak napięcie PV i moc baterii poruszają się razem w krótkim oknie czasowym, a następnie buduje wzorce globalne, które przechwytują dzienne cykle i szersze relacje. Łącząc te warstwy, system widzi nie tylko kiedy zmienia się zapotrzebowanie, ale też jak ta zmiana wiąże się ze słońcem, temperaturą i użyciem baterii, co poprawia zdolność przewidywania nadchodzących obciążeń.

Zapożyczenie wzoru lotu od gęsi

Aby dostroić model grafowy, autorzy stosują kolejny bio‑inspirowany algorytm — Greylag Goose Optimization. W przyrodzie gęsi w formacji w‑kształtnej nieustannie dostosowują swoje pozycje, by oszczędzać energię i utrzymywać kurs. W tym algorytmie każda „gęś” reprezentuje możliwy zestaw ustawień modelu, takich jak tempo uczenia czy wewnętrzne wagi. Podczas treningu wirtualne gęsi eksplorują i udoskonalają swoje pozycje, poszukując kombinacji dających najmniejszy błąd prognozy, bez utknięcia w słabych rozwiązaniach lokalnych. To adaptacyjne strojenie pomaga modelowi zachować stabilność nawet wtedy, gdy obciążenia budynku są wysoce nieregularne — na przykład nagłe skoki spowodowane ładowaniem pojazdów elektrycznych lub spadki w godzinach nieobecności.

Dokładniejsze prognozy i dłużej działające baterie

W porównaniu z kilkoma popularnymi metodami deep learningowymi i hybrydowymi, nowe podejście osiąga około 98,3% średniej dokładności prognoz, wobec mniej więcej 80–92% dla najlepszych alternatyw. Miary błędu są mniejsze niż połowa tych obserwowanych w modelach konkurencyjnych, a prognozy są bardziej spójne między kolejnymi uruchomieniami. Gdy powstałe prognozy wykorzystuje się do harmonogramowania z uwzględnieniem stanu baterii, budynek może utrzymywać zapotrzebowanie w efektywnym zakresie i unikać głębokich, obciążających cykli ładowania–rozładowania. Symulacje sugerują, że taka ostrożniejsza kontrola może ponad dwukrotnie wydłużyć czas, w którym bateria utrzymuje powyżej 80% swojej pierwotnej pojemności, przekształcając lepsze prognozy w realne oszczędności sprzętowe.

Co to oznacza dla zwykłych użytkowników energii

Dla laików kluczowy przekaz jest taki, że lepsze „planowanie cyfrowe” wewnątrz budynku może bezpośrednio przekładać się na niższe rachunki, mniej zakłóceń w sieci oraz dłuższą żywotność baterii i urządzeń. Poprzez oczyszczanie danych z czujników, skupienie się na najbardziej informatywnych sygnałach, modelowanie ich wzajemnych interakcji oraz inteligentne strojenie modelu, proponowane podejście daje mikrosieciom budynków znacznie jaśniejszy obraz najbliższej przyszłości. Ta przejrzystość pozwala następnie na mądrzejsze decyzje dotyczące kiedy magazynować, używać lub sprzedawać energię, przybliżając nas do niezawodnych, niskoemisyjnych budynków, które cicho zarządzają własną energią za kulisami.

Cytowanie: 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

Słowa kluczowe: mikrosieci inteligentnych budynków, prognozowanie obciążenia, degradacja baterii, zarządzanie energią, grafowe sieci neuronowe