Relational deep learning for energy analytics

Ved UiT Norges arktiske universitet utforsker RELAY-prosjektet fremtidens energistyring ved hjelp av relasjonell dyplæring. Dette er en familie av kunstig intelligensmodeller som behandler data som tidsserier og grafer. Denne nyskapende tilnærmingen er utformet for å takle energisystemenes kompleksitet, noe tradisjonelle modeller ofte sliter med. RELAY har fokus på tre kjerneoppgaver: 1. Forbedret lastprognose: RELAY vil integrere nettverkstopologi i prognosemodellene for å muliggjøre presis energidistribusjon og planleggingsprediksjoner, noe som er avgjørende for nettets effektivitet. 2. Dynamisk optimalisering av kraftflyt: Prosjektet vil utvikle fleksible løsninger for sanntidsjusteringer av nettet, og sikre balanse og optimal ressursallokering. 3. Effektiv lokalisering av strømbrudd: Ved å representere kraftnett som dynamiske grafer, vil RELAY identifisere risikoområder, noe som muliggjør raskere respons på strømbrudd. Dette er en vital faktor i energiavhengige regioner. RELAY handler ikke bare om nettets effektivitet; det fokuserer på bærekraftige praksiser. Prosjektet tar sikte på å redusere miljøpåvirkningen, spesielt CO2-utslipp, ved å adressere problemet med optimal kraftflyt. I tillegg har de metodologiske tilnærmingene som blir utviklet for å håndtere rom-tidlige data, potensial til å revolusjonere ikke bare energisektoren, men også områder som epidemiologi og trafikkstyring. En nøkkelfunksjon i RELAY er samarbeidet med norske energiselskaper som Ishavskraft, Lofotkraft og Finnmark Kraft. Dette samarbeidet gjør at prosjektet kan tilpasse forskningen til praktiske anvendelser. RELAY er mer enn bare et prosjekt; det representerer et skritt mot en mer effektiv, bærekraftig og robust fremtid. Ved å utnytte relasjonell dyplæring skal det bidra til å transformere vår forståelse av energinettet og åpne veien for avanserte, bærekraftige løsninger innen energistyring.

Machine learning models currently used in energy analytics are unable to jointly capture spatial relationships and temporal dependencies that determine, respectively, how energy flows are routed on the power grid and how the load of the electrical nodes changes over time. This, diminish the effectiveness and hinders the adoption of machine learning in the energy sector. The existing limitations can be overcome by using dynamic graphs to represent the energy grid and by processing the data with spatio-temporal models. However, such models are still in their infancy and important key challenges must be solved before deploying them in real-world applications. RELAY will develop the first large-scale deep learning framework capable of handling spatio-temporal data in energy analytics applications. This will be accomplished by advancing the theory and design of spatio-temporal models to let them: i) handle large-scale data; ii) be interpretable in what they learn; iii) quantify the uncertainty in their predictions; iv) learn hierarchical representations that allow analyzing the data at different levels of resolution. While the spatio-temporal framework that will be developed is general purpose and suitable for many different applications, RELAY will focus on three important tasks in energy analytics: forecasting of energy production and demand, power flow optimization, and the detection and localization of outages in the power grid. The project will be carried out in collaboration with the three main energy suppliers in Northern Norway, Ishavskraft, Lofotkraft, and Finnmark Kraft, which will provide data and validate the results.