Optimeringsbaserad lastprognos och efterfrågehantering i smarta byggnaders mikronät med Greylag Goose- och tvånivågrafmodeller

Varför smartare byggnader behöver smartare energihjärnor

När bostäder, kontor och campus installerar solpaneler, batterier och elfordon blir energihanteringen överraskande komplicerad. Byggnader måste ständigt avgöra när de ska dra kraft från nätet, när de ska ladda eller avladda batterier och hur de ska undvika spill och elavbrott. Denna artikel presenterar en ny ”energihjärna” för smarta byggnaders mikronät som förutsäger elförbrukning med hög noggrannhet och planerar batterianvändning så omsorgsfullt att det kan mer än fördubbla batteriets livslängd.

Hålla ljusen tända i ett komplext miniatyrnät

Ett smart byggnadsmikronät liknar ett litet elsystem runt en enda plats. Det kan innehålla taksolpaneler, små vindkraftverk, batterier, elfordon och en anslutning till huvudnätet. Byggnadens energihanterare måste matcha utbud och efterfrågan var femte minut, samtidigt som solinstrålning förändras, människor kommer och går och batterier åldras. Om prognoserna är fel kan byggnaden köpa dyr toppeffekt, slösa förnybar energi eller nöta ut batterier snabbare än väntat. Författarna fokuserar på två viktiga mål: att förutsäga kortsiktig energiefterfrågan i sådana byggnader och att använda den kunskapen för att driva batterier på ett sätt som minskar både kostnader och slitage.

Rensa data innan prognoserna görs

Systemet börjar med ett år av detaljerade mätningar från ett verkligt smart byggnadsmikronät i Indien. Var femte minut registrerade sensorer nätströmmar och spänningar, solproduktion, batteribeteende och väderförhållanden som temperatur, luftfuktighet och vindhastighet. Data från verkligheten är röriga: sensorer fallerar, mätvärden hoppar och olika storheter använder olika skalor. För att åtgärda detta använder författarna ett specialiserat rensningssteg kallat Fast Resampled Iterative Filtering, som jämnar ut brus samtidigt som verkliga svängningar i efterfrågan bevaras. Därefter använder de en naturinspirerad sökmetod, Prairie Dog Optimization, för att avgöra vilka sensormätningar som faktiskt betyder mest för prognosen. Den fastställer fem kärninput — såsom solspänning, batteriets urladdningseffekt och tid på dygnet — och tar bort redundanta signaler som ökar komplexiteten utan att tillföra ny information.

Lära ett nätverk att läsa energinätet

I stället för att behandla varje mätserie som isolerad modellerar författarna deras interaktioner som ett nätverk. I deras Relational Bi-Level Aggregation Graph Convolutional Network representerar varje nod i grafen en av de viktigaste funktionerna (till exempel temperatur eller batteriets urladdningseffekt), och länkarna visar hur starkt de påverkar varandra över tid. Modellen lär först lokala mönster, som hur solspänning och batterikraft rör sig tillsammans över ett kort fönster, och bygger sedan upp globala mönster som fångar dagliga cykler och bredare samband. Genom att kombinera dessa lager ser systemet inte bara när efterfrågan ändras, utan också hur den förändringen är kopplad till sol, temperatur och batterianvändning, vilket förbättrar dess förmåga att förutsäga kommande laster.

Låna ett flygmönster från gäss

För att finjustera denna grafmodell använder författarna en annan bioinspirerad metod, Greylag Goose Optimization. I naturen justerar gäss i V-formation ständigt sina positioner för att spara energi och hålla kursen. I denna algoritm representerar varje ”gås” en möjlig uppsättning modellinställningar, såsom inlärningshastighet och interna vikter. Under träningen utforskar dessa virtuella gäss och förfinar sina positioner, i jakten på kombinationer som ger lägst prognosfel utan att fastna i dåliga lokala lösningar. Denna adaptiva finjustering hjälper modellen att förbli stabil även när byggnadslaster är mycket oregelbundna, till exempel plötsliga toppar från laddning av elfordon eller fall under obebodda perioder.

Skarpare prognoser och batterier som håller längre

Jämfört med flera populära djupinlärnings- och hybridmetoder når den nya ramen omkring 98,3 % genomsnittlig prognosnoggrannhet, mot ungefär 80–92 % för de bästa alternativen. Dess felmått är mindre än hälften av konkurrenternas, och dess prognoser är mer konsekventa mellan körningar. När de resulterande prognoserna används för batterimedveten schemaläggning kan byggnaden hålla efterfrågan inom ett effektivt intervall och undvika djupa, slitsamma laddnings–urladdningscykler. Simulationerna tyder på att denna mer försiktiga styrning kan mer än fördubbla den tid ett batteri håller sig över 80 % av sitt ursprungliga kapacitet, vilket förvandlar bättre prognoser till verkliga hårdvarubesparingar.

Vad detta betyder för vardagliga energianvändare

För lekmän är huvudbudskapet att bättre ”digital planering” inne i en byggnad kan översättas direkt till lägre räkningar, färre störningar i nätet och längre livslängd för batterier och utrustning. Genom att rensa sensordata, fokusera på de mest informativa signalerna, modellera hur de samverkar och finjustera modellen intelligent ger det föreslagna tillvägagångssättet byggnadsmikronät en mycket tydligare bild av den närmaste framtiden. Den klarheten möjliggör i sin tur smartare beslut om när elektricitet ska lagras, användas eller säljas, och tar oss närmare tillförlitliga, lågkoldioxidbyggnader som tyst sköter sin egen energi i bakgrunden.

Citering: 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

Nyckelord: smarta byggnaders mikronät, lastprognoser, batterinedbrytning, energiförvaltning, grafneuronätverk