Um dieser Frage nachzugehen, haben die Wissenschaftler Methoden der Künstlichen Intelligenz eingesetzt. “In den letzten Jahren ist die Menge an öffentlich zugänglichen Daten über das Stromsystem enorm gewachsen. Um diesen Datenschatz zu heben, bietet sich KI regelrecht an”, kommentiert Dirk Witthaut vom Jülicher Institut für Energie- und Klimaforschung und dem Institut für Theoretische Physik der Universität Köln.
Doch die Analyse der Netzfrequenz mithilfe von KI birgt einen Nachteil. Moderne Methoden der Künstlichen Intelligenz sind meistens eine Black Box: Wie die KI zu Entscheidungen und Vorhersagen kommt, bleibt im Verborgenen. Daher können die Wissenschaftler die Netzfrequenz zwar vorhersagen und modellieren, aber daraus keine neuen Erkenntnisse ziehen.
“Um die Black-Box zu öffnen, werden überall auf der Welt Methoden entwickelt, um KI-Modelle transparenter zu machen. Mit diesen Methoden konnten wir drohende Frequenzabweichungen nicht nur vorhersagen, sondern die grundsätzlichen Risikofaktoren identifizieren, weil wir verstehen, was die KI bei ihren Diagnosen als relevant erachtet”, so Dirk Witthaut.
„Wir konnten zum Beispiel zeigen, dass falsche Vorhersagen der Stromnachfrage und -erzeugung ein großes Risiko darstellen, vor allem in Skandinavien”, beschreibt Benjamin Schäfer von der Norwegischen Universität für Umwelt- und Biowissenschaften. „In Zentraleuropa sind hingegen die Fahrpläne der konventionellen Kraftwerke extrem relevant, während im Britischen Netz vor allem die Windstromerzeugung und hohe Strompreise mit erhöhtem Risiko einhergehen." Solche Ergebnisse können genutzt werden, um gezielt Schwachstellen im jeweiligen Stromsystem zu identifizieren und Lösungen vorzuschlagen, um Kosten zu senken und die Stabilität weiter zu verbessern.
Im Gegensatz zu etablierten KI-Verfahren funktioniert das transparente KI-Modell der Autoren nur auf Basis von historischen Daten – ohne zusätzliche Annahmen über technische Details des Stromnetzes. Die Autoren erhoffen sich deshalb, dass ihre Studie die Anwendung solch transparenter KI Methoden im Energiesektor weiter beschleunigt.
Um dieser Frage nachzugehen, haben die Wissenschaftler Methoden der Künstlichen Intelligenz eingesetzt. “In den letzten Jahren ist die Menge an öffentlich zugänglichen Daten über das Stromsystem enorm gewachsen. Um diesen Datenschatz zu heben, bietet sich KI regelrecht an”, kommentiert Dirk Witthaut vom Jülicher Institut für Energie- und Klimaforschung und dem Institut für Theoretische Physik der Universität Köln.
Doch die Analyse der Netzfrequenz mithilfe von KI birgt einen Nachteil. Moderne Methoden der Künstlichen Intelligenz sind meistens eine Black Box: Wie die KI zu Entscheidungen und Vorhersagen kommt, bleibt im Verborgenen. Daher können die Wissenschaftler die Netzfrequenz zwar vorhersagen und modellieren, aber daraus keine neuen Erkenntnisse ziehen.
“Um die Black-Box zu öffnen, werden überall auf der Welt Methoden entwickelt, um KI-Modelle transparenter zu machen. Mit diesen Methoden konnten wir drohende Frequenzabweichungen nicht nur vorhersagen, sondern die grundsätzlichen Risikofaktoren identifizieren, weil wir verstehen, was die KI bei ihren Diagnosen als relevant erachtet”, so Dirk Witthaut.
„Wir konnten zum Beispiel zeigen, dass falsche Vorhersagen der Stromnachfrage und -erzeugung ein großes Risiko darstellen, vor allem in Skandinavien”, beschreibt Benjamin Schäfer von der Norwegischen Universität für Umwelt- und Biowissenschaften. „In Zentraleuropa sind hingegen die Fahrpläne der konventionellen Kraftwerke extrem relevant, während im Britischen Netz vor allem die Windstromerzeugung und hohe Strompreise mit erhöhtem Risiko einhergehen." Solche Ergebnisse können genutzt werden, um gezielt Schwachstellen im jeweiligen Stromsystem zu identifizieren und Lösungen vorzuschlagen, um Kosten zu senken und die Stabilität weiter zu verbessern.
Im Gegensatz zu etablierten KI-Verfahren funktioniert das transparente KI-Modell der Autoren nur auf Basis von historischen Daten – ohne zusätzliche Annahmen über technische Details des Stromnetzes. Die Autoren erhoffen sich deshalb, dass ihre Studie die Anwendung solch transparenter KI Methoden im Energiesektor weiter beschleunigt.