Für eine zuverlässige und stabile Stromversorgung sind nicht nur ausreichende Ressourcen erforderlich, sondern auch das Gleichgewicht im Übertragungsnetz und im Verteilnetz.

Künstliche Intelligenz vermag diese Fähigkeit zu verbessern. Was an Strom erzeugt wurde, muss verbraucht werden. Eine der entscheidenden Aufgaben des Übertragungsnetzbetreibers ist es daher, die Systemabweichung zu steuern, also für den Ausgleich von Erzeugung und Verbrauch zu sorgen. Damit er dies effektiv tun kann, muss er die Abweichungen möglichst gut voraussagen können.

Diese Aufgabe kompliziert sich jedoch. Durch die Bemühungen, die Treibgasemissionen zu senken, um den Klimawandel abzuschwächen, werden die großen und stabilen Energiequellen, wie Kern-, Kohle- sowie Gas-und-Dampf-Kombikraftwerke immer mehr ersetzt durch zahllose kleine erneuerbare Energiequellen. Photovoltaikanlagen und Windkraftwerke vermögen zwar emissionsfrei Strom zu erzeugen, jedoch lassen sie sich nicht so steuern, dass sie genau dann Strom erzeugen, wenn Nachfrage nach ihm besteht. In der Europäischen Union stieg dabei der Anteil der erneuerbaren Energiequellen am Bruttostromverbrauch von nicht ganz 16 Prozent im Jahr 2004 auf 41 Prozent im Jahr 2022. In Tschechien, zum Beispiel, betrug dieser Anteil im vorvorigen Jahr 15,5 Prozent, nach dem von der Regierung beschlossenen Klima- und Energieplan soll er sich aber bis 2030 verdoppeln. Die Stabilität des Stromnetzes aufrecht zu erhalten wird so noch komplizierter.

Palette an Tools zur Auswahl

 Hochwertige Voraussagen können dem Übertragungsnetzbetreiber diese Aufgabe erleichtern. Das bringt auch Ersparnisse bei den Kosten für das Ausgleichen der Ungleichgewichte zwischen Erzeugung und Verbrauch. Mit dem steigenden Anteil der erneuerbaren Energiequellen wachsen deutlich die Ausgaben für das sogenannte Leistungsgleichgewicht und die Stromabnehmer bezahlen sie in ihren Rechnungen. Dabei leidet Europa bereits jetzt an zu teurer Energie, so dass jede Effektivierung in Gewicht fällt.

Bei den Voraussagen können heute die immer weiter entwickelten Informationstechnologien helfen. Erweitert werden unsere Möglichkeiten durch leistungsfähigere Computer, aber auch durch das Aufkommen der künstlichen Intelligenz und des maschinellen Lernens. Zur Verfügung stehen derzeit dank einer Reihe von Methoden neben den klassischen Regressionsmodellen zum Beispiel Random Forests oder Neuronennetze. Bei Unicorn beschäftigten wir uns in Zusammenarbeit mit unserer Unicorn University mit der Nutzbarkeit dieser neuen Technologien für die Voraussage von Systemabweichungen im Stromnetz. Es erwies sich, dass das Einbeziehen der künstlichen Intelligenz interessante Verbesserungen bringen kann. Die Voraussagefähigkeit unseres Modells war im verfolgten Zeitraum um etwa 14 Prozent besser als die Fähigkeit älterer Lösungen. Der Vorschauzeitraum waren die drei folgenden Viertelstunden, was eine vom neuen fünzehnminütigen Handelsintervall ausgehende Periode ist. In der ersten Viertelstunde waren die Ergebnisse erwartungsgemäß am besten, bei längerem Zeitabstand stieg die Fehlerrate. Jedoch war die Genauigkeit nicht der einzige Parameter, uns interessierte auch die Robustheit der Modelle. Bei diesem Parameter erwies die Robustheit der Neuronennetze als problematisch, die bei längeren Zeiträumen am häufigsten versagten.

Regelmäßiges Training ist erforderlich

Der Vorzug der auf dem maschinellen Lernen begründeten Modelle liegt darin, dass sie sich ständig vervollkommnen. Jedoch muss man sie immer weiter trainieren lassen, damit sie stets zu berücksichtigen vermögen, dass sich die Abhängigkeiten zwischen den Eingangsparametern mit der Zeit ändern können. Zur Illustration: Modelle für die Voraussage der Entwicklung der Aktienpreise, die von Börsenmaklerunternehmen für deren Gebrauch eingesetzt werden, trainieren im Grunde täglich neu. Wir haben uns bei unserer Untersuchung der Methoden, die die Voraussage der Systemabweichung verbessern helfen, zu einem gewissen Maß bei der Finanzwelt inspiriert.

Jedoch dürfen wir nicht die entscheidende Bedeutung außer Acht lassen, die der Qualität der Eingangsdaten zukommt. Unsere Tests haben klar gezeigt, dass genauere Ergebnisse durch eine größere Datenmenge erzielt werden könnten, insbesondere mit geografisch feinerer Auflösung und mit einer genaueren Zeitauflösung. Prinzipielle Bedeutung besitzen zum Beispiel Wetterinformationen mit Einfluss auf den Stromverbrauch, aber auch auf die Leistung der erneuerbaren Energiequellen. Detailliertere Angaben über die Sonneneinstrahlung, Lufttemperatur und Wind als auf Bezirksniveau würden es ermöglichen, lokale Unterschiede besser zu berücksichtigen und die Voraussage der Stromerzeugung der regional verstreuten erneuerbaren Energiequellen zu vervollkommnen. Ebenso helfen würden eine längere Zeitreihe der realen Viertelstunden-Systemabweichung oder genauere Angaben über die tatsächliche Erzeugung der Photovoltaikanlagen als stündliche Zahlen für das ganze Land. Die Datenbasis zu vervollkommnen, sollte zum Glück keine unlösbare Aufgabe sein.

Die Energiewirtschaft erlebt heute eine grundsätzliche Transformation und das gesamte System wird ständig komplizierter. Die modernsten die künstliche Intelligenz einbeziehenden Berechnungsmethoden stellen keine Wunderlösung der sich daraus ergebenden Probleme dar. Im Bereich der Voraussage der Systemabweichung im Stromnetz können sie aber eine bedeutende Vervollkommnung bringen. Ihre praktische Nutzung in diesem Bereich befindet sich vorerst eher noch in den Anfängen. Bei Unicorn glauben wir jedoch an diesen Weg und die Interessenten aus dem Energiesektor vermögen wir auf diesem Weg zu führen ‒ von einer Fallstudie auf dem Niveau akademischer Forschung über die Vorbereitung und Integration der Daten bis zum Erstellen eines Modells und bis zu Training und Wartung im echten Betrieb. Als Voraussetzungen bringen wir dafür langjährige Erfahrungen mit der Softwareentwicklung und gründliche Kenntnis des Energiesektors mit, den wir in Europa mitgestalten.