Прогнозировать потребление электричества в зданиях стало проще и точнее благодаря новому методу Group Encoding (GE). Разработанный учеными из Токийского научного института, он использует только данные о работе электроприборов — включены они или выключены. В реальных тестах точность прогноза выросла на 74%. Метод упрощает сложные данные, помогая эффективнее управлять энергосистемами, снижать расходы и легче встраивать возобновляемую энергию в локальные сети.

Результаты опубликованы в издании Applied Energy.

Солнечные панели, батареи, топливные элементы — все чаще здания обходятся собственными источниками энергии. Это снижает выбросы и делает энергоснабжение устойчивее. Но чтобы система работала идеально, нужно точно предсказывать, сколько электричества понадобится. Ошибки в расчетах приводят к перегрузкам, потерям и лишним тратам.

Ученые из лаборатории Ihara-Manzhos в Токийском институте нашли решение. Их метод GE анализирует только статус устройств — «вкл.» или „выкл.“. Эти данные уже собирают системы управления зданием (BEMS), так что какие-либо дополнительные датчики не нужны.

Как это работает:

• Данные о состоянии приборов группируют по типам — например, обогреватели, насосы, вентиляция.
• Каждому устройству присваивают вес (одинаковый или в зависимости от энергопотребления).
• Группы преобразуют в числовые значения и загружают в модель машинного обучения, которая прогнозирует спрос.

Метод протестировали на данных Энергоинновационного здания Science Tokyo, где каждую минуту фиксируют больше 4000 параметров, включая 1505 сигналов от приборов. GE сравнивали с традиционными методами в разные сезоны.

Результаты:

• Ошибка прогноза на минуту вперед снизилась на 74%.
• На час вперед точность достигла 3,27% — это новый рекорд для подобных систем.

Сейчас мы внедряем GE в систему Ene-Swallow®, которая управляет угольно-воздушными батареями, — говорит профессор Ihara.

В планах — стартап для коммерческого использования технологии.

Простота и точность GE помогут зданиям эффективнее использовать свою энергию, меньше зависеть от сети и сократить углеродный след.

Метод GE решает две ключевые проблемы распределенных энергосистем:

1. Доступность данных — не требует дорогих датчиков, использует уже имеющуюся информацию.
2. Скорость расчетов — упрощенные данные быстрее обрабатываются, что критично для реального времени.

Распределенные энергосистемы (DES) — локальные сети, где энергия генерируется рядом с потребителем (солнечные панели на крыше, батареи в подвале), а не поставляется из центральной сети. Позволяют снизить потери при передаче и использовать возобновляемые источники.

Это особенно важно для микросетей с солнечными панелями и батареями: чем точнее прогноз, тем меньше избыточной генерации и перегрузок. В перспективе технология удешевит «умные» сети для жилых комплексов и заводов.

Исследование тестировалось только на одном здании с уникальной инфраструктурой (1505 сигналов — нетипично для большинства объектов). Неясно, как метод поведет себя в домах с 10-20 приборами или при скачках напряжения из-за погоды. Также не затронута тема кибербезопасности: бинарные данные легче взломать для манипуляций с прогнозами.

Ранее ученые заявили, что экономить электроэнергию помогут квантовые вычисления.