13 december 2024

Energiomställningen, där världen skiftar från fossila bränslen till förnybara och låga koldioxidutsläppskällor, kräver smartare beslutsfattande. En ny doktorsavhandling från Linköpings universitet visar hur datadrivna verktyg kan underlätta denna process och hjälpa beslutsfattare att navigera komplexa val inom energiområdet.

En ung kvinna tittar på sin dator.
Qianyun Wen, doktorand vid Institutionen för ekonomisk och industriell utveckling, har framgångsrikt försvarat sin avhandling som undersöker hur stora datamängder från smarta elnät och digitala teknologier kan användas för att utveckla modeller och verktyg som stödjer olika steg i energiomställningen. Fotograf: Teiksma Buseva

Avhandlingen, framtagen av doktoranden Qianyun Wen vid Institutionen för ekonomisk och industriell utveckling, undersöker hur stora mängder data från smarta elnät och digital teknik kan användas för att utveckla modeller och verktyg som ger stöd i olika delar av energiomställningen.

-Datadrivna verktyg kan inte bara förbättra beslutsfattandet, utan också göra det mer tillgängligt och användarvänligt. För att de ska få verklig effekt är det avgörande att verktygen både levererar pålitliga resultat och är anpassade efter användarnas behov, säger Qianyun Wen doktorand vid avdelningen Industriell miljöteknik vid Linköpings universitet.

Studien analyserar tre nyckelområden: val av uppvärmningsteknik för byggnader, prognoser för energianvändning och etablering av energidelande samhällen. Resultaten visar att en kombination av tekniker som maskininlärning och optimeringsmodeller kan hjälpa beslutsfattare att hitta mer hållbara och effektiva lösningar.

Qianyun Wen säger att transparens och användarvänlighet är centralt.

För att skapa en hållbar energiomställning behöver vi verktyg som inte bara är tekniskt avancerade utan också praktiska och lätta att använda för olika intressenter.

Avhandlingen bidrar med riktlinjer för hur datadrivna beslutstekniker kan implementeras och anpassas till olika utmaningar. Forskningen är ett viktigt steg för att hjälpa beslutsfattare att hantera energiomställningens komplexitet på ett mer informerat och hållbart sätt.

Vägledning för att använda datadrivna beslut i energiomställningen

Användaranpassning

Verktygen bör vara transparenta, användarvänliga och lättillgängliga för olika typer av beslutsfattare.

Flexibeldesign

 Integrera olika metoder som multi-kriteriebeslutsfattande (MCDM), maskininlärning och optimering för att hantera komplexa beslut.

Datasamordning

Använd öppna och tillgängliga datakällor, exempelvis meteorologisk och historisk data, för att skapa precisa prognoser och scenarier.

Scenarioplanering

Utveckla semi-dynamiska modeller som inkluderar framtida tekniska och ekonomiska förändringar.

Decentralisering och samarbete

Främja energidelning i samhällen genom att optimera resurser och balansera intressen mellan aktörer.

Systemtänkande

Använd en helhetssyn för att identifiera samband mellan olika delar av energisystemet och undvika oönskade konsekvenser.

Kontakt

Relaterat innehåll

Senaste nytt från LiU

Nytt centrum driver hållbarhetsomställningen

Med uppdraget att katalysera forskning och samverkan kring hållbar samhällstransformation, blir centret LiU Sustainability Transformations, C4ST, en ny mötesplats för nytänkande och samarbete – både inom och utanför Linköpings universitetet.

Den första maskinen som användes för att analysera torkning med torr luft.

Nobelprisbelönad teknik torkar spannmål – utan värme

Nobelprisbelönad teknik används nu i svenskt lantbruk. På Hasta Gård har försök visat att spannmål kan torkas utan värme och med betydligt mindre energi. Forskningen bedrivs inom ett innovationsprojekt där bland annat Agtech Sweden vid LiU medverkar.

Äldre man och ett litet barn skrattar mot varandra.

Mannens livsstil kan påverka barnbarnens hälsa

Kost, rökning och infektioner bidrar till ett slags biologiskt minne som kan föras över till kommande barn. LiU-forskare har i en översiktsartikel lagt fram en teori om pappans bidrag till sina ättlingars skydd mot infektioner.