Toppförskjutning i elförbrukningshantering och påverkande faktorer i smarta nät från återkommande neurala nätverk och djupinlärning

Varför smartare elanvändning på campus spelar roll

Universitetscampus sjuder av aktivitet dygnet runt: föreläsningar, laboratorier, studentbostäder, sena pluggsessioner och det konstanta surrandet från servrar och belysning. Allt detta ger stora svängningar i elbehovet—skarpa toppar när många enheter är igång samtidigt och djupa dalar när byggnader används sparsamt. Dessa toppar är dyra för elnätet och slösaktiga för miljön. Denna studie undersöker hur kombinationen av moderna AI-verktyg och vätgasbaserad energilagring kan hjälpa campus att förutse när de behöver el, utjämna topparna och använda elektricitet mer effektivt utan att dämpa lärandet.

Att se mönster i det dagliga campuslivet

I centrum för arbetet ligger idén att elanvändningen på ett campus inte är slumpmässig—den följer människors rutiner. Forskarlaget samlade detaljerade effektdata från 15 byggnader vid ett kinesiskt universitet under ungefär ett och ett halvt år, tillsammans med väderuppgifter och lektionsscheman. De använde sedan färgrika värmekartor för att visa hur energianvändningen stiger och faller timme för timme på olika platser: bostäder, föreläsningssalar, kontor, kafeterior och belysningssystem. Från dessa bilder definierade de sex vardagsmönster, exempelvis studentbostäder med två stora toppar vid lunch och sent på kvällen, föreläsningssalar som når sin topp endast under lektionstid och gatubelysning som lyser jämnt genom natten. Dessa mönster utgör grunden för skräddarsydda energisparande åtgärder för varje byggnadstyp.

Att lära ett neuralt nät att prognostisera efterfrågan

För att agera på dessa mönster måste man först veta hur morgondagen ser ut. Teamet tränade en typ av artificiell intelligens kallad återkommande neuralt nätverk (RNN) för att prognostisera hur mycket elektricitet varje byggnad skulle använda från timme till timme. RNN är utformade för att arbeta med sekvenser, vilket gör dem väl lämpade för att följa hur effektbehovet utvecklas över tid. Modellen tog in 24 timmars aktuell historik samtidigt—tidigare elförbrukning, temperatur, luftfuktighet, tid på dygnet, vardag eller helg och till och med om lektioner var schemalagda—och förutsade sedan nästa timmes förbrukning. Författarna var noggranna med datarengöring: de fyllde i saknade mätvärden genom att leta efter liknande dagar med liknande väder och scheman, och de delade kronologiskt upp data i tränings-, validerings- och testuppsättningar för att undvika överanpassning.

Att slå andra prognosmetoder

RNN:ets prestanda testades mot flera vanliga prognosverktyg, inklusive enkel linjär regression, mer flexibla icke-linjära regressioner, traditionella statistiska modeller såsom ARIMA och Grey-modeller och en annan djupinlärningsmetod kallad LSTM. Över campusdata och tre offentliga eldatamängder producerade RNN konsekvent lägre fel. I verkliga campusprov var RNN:ets medelkvadratiska fel—ett mått som straffar stora missar—dramatiskt mindre än för linjär regression, och dess genomsnittliga procentuella fel höll sig på ensiffriga nivåer. Felens fördelning visade att RNN:ets misstag var tätt klustrade och att dess prognoser nästan överlappade den faktiska lasten, vilket indikerar både noggrannhet och stabilitet. Författarna noterar att detta inte innebär att RNN alltid slår LSTM i allmänhet, men det visar att ett relativt enkelt nätverk kan fungera mycket bra i denna specifika kontext.

Att jämna ut effektkurvan med vätgaslagring

Endast prognoser sänker inte kostnaden; man behöver också ett sätt att omforma efterfrågan. Här introducerar studien ett virtuellt vätgasenergibärsystem som fungerar som en stor uppladdningsbar buffert. När RNN-prognosen indikerar låglasttimmar ”laddar” systemet genom att omvandla elektricitet till vätgas; när toppar närmar sig ”urladdar” det och matar tillbaka lagrad energi till campus. En dynamisk programmeringsrutin avgör timme för timme om lagringen ska ladda, urladda eller vila, samtidigt som den respekterar begränsningar i kapacitet, effekt och verkningsgrad. I ett representativt 24-timmars-exempel minskade denna strategi det dagliga maximala effektbehovet från cirka 46 kilowattimmar till ungefär 33, reducerade skillnaden mellan topp och medelanvändning och eliminerade alla perioder där efterfrågan översteg en förinställd kvot. Priset var en liten ökning i total daglig energianvändning—mindre än en procent—på grund av förluster i lagringscykeln.

Vad detta betyder för vardagliga energianvändare

Enkelt uttryckt visar studien att campus—och i förlängningen kontorsområden, sjukhuskomplex eller bostadsområden—kan använda AI för att inte bara se sin energiframtid utan också forma den. Genom att prognostisera när och var elektricitet kommer att behövas och koppla dessa prognoser till flexibel lagring såsom vätgastankar eller batterier kan operatörer jämna ut kostsamma toppar, utnyttja lågtrafikstimmar bättre och minska belastningen på det större nätet. Författarna varnar att deras resultat kommer från ett campus och en simulerad lagringsenhet, och att verkliga implementationer måste ta hänsyn till priser, koldioxidutsläpp och komfort. Ändå erbjuder ramverket en realistisk plan för smartare, renare elanvändning på platser där morgondagens energivanor formas idag.

Citering: 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

Nyckelord: smart nät, campusenergi, lastprognoser, vätgaslagring, djupinlärning