Projekt · Dnr 2024-03103 · Källa: Vinnova

Framtidens elnät skapade med federerad maskininlärning

Koordinator
Lindholmen Science Park AB, AI Sweden
Projekttid
2024-11-11 till 2025-10-31 (avslutat)
Beviljat bidrag
328 240 SEK
Diarienummer
2024-03103

Beskrivning

Projektet har lyckats mycket väl att utveckla och utvärdera hur väl federerad maskininlärning som metod och ramverk är tillämpbart på elnätsdata. Det är första gången detta görs på verklig data från elmätare hos respektive elnätsbolag, inte bara i Sverige utan även internationellt. Genom att nyttja tekniken federerad maskininlärning så kan flera elnätsbolags data ligga till grund för träningen av modellen vilket berikar mängden olika användarbeteende hos olika elkunder som modellen utsätts för. De långsiktiga effekterna handlar om framförallt två saker: 1. Att elnätsbolag börjar använda sig av maskininlärning för att skapa olika insikter. 2. Att elnätsbolag utvecklar gemensamma modeller och lösningar vilket accelererar användandet av AI/ML. Detta kommer att förbättra elnätsbolagens möjligheter att stötta industrins behov av mer elektrisk effekt.

Öppna hos Vinnova

Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.

Liknande

  1. FeelAI-federerade prediktiva modeller på Edge för logistikbranschen

    Högskolan i Halmstad · 2024-05-01 · 2 500 000 SEK · Projekt

    FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkännin…

  2. Hierarkisk federerad inlärning för 6G-kantberäkningar

    Uppsala universitet · 2024-10-15 · 1 784 674 SEK · Projekt

    Vi utvecklade ett flexibelt ramverk för att testa hierarkisk federerad inlärning (HFL) under olika enhets- och nätverksförhållanden. Vi tog fram resursanpassade tränings- och aggregeringsmetoder med frysning av lager och Switch-Before-Aggregate (SBA), som gav högre noggrannhet än de testade FL-metod…

  3. Federated Learning Testbed

    Lindholmen Science Park AB · 2020-08-15 · 1 961 952 SEK · Projekt

    Syftet och målet med projektet var att skapa en testbädd för federerad inlärning. En miljö har skapats där lärdomar och “best practises” från att arbeta med tekniken delas öppet, tekniska som såväl legala, ett nätverk av svenska och internationella experter har byggts upp, och en reproducerbar demo …

  4. TRUSTAM - Trusted Federated Intelligence for Additive Manufacturing

    INTERSPECTRAL AB · 2026-04-30 · 7 413 300 SEK · Projekt

    För att additiv tillverkning ska uppfylla sin potential inom säkerhetskritisk produktion måste kvalitetssäkring vara kalibrerad, integrerad och spårbar i realtid för känsliga produktionsmiljöer. TRUSTAM tillämpar federerat lärande för kvalitetssäkring inom additiv tillverkning – ett ramverk där AI-m…

  5. Validering av ett systemutvecklingskit för federerad maskininlärning för edgeapplikationer

    Scaleout Systems AB · 2023-10-02 · 4 918 474 SEK · Projekt

    Projektets primära syfte är att öka vår förståelse för skalbarhet och cybersäkerhet inom federerad maskininlärning specifikt för tillämpningar vi molnkanten. Vi kommer också att vidareutveckla och validera ett systemutvecklingskit för federerad maskninlärning, FEDn, för storskaliga tillämpningar ino…