Wo Energie und künstliche Intelligenz sich treffen

Konkrete Anwendungsmöglichkeiten für KI gibt es in ganz unterschiedlichen Bereichen der Energiewirtschaft:

Im Projekt Deep Energy Trade zeigt ein Demonstrator, wie intelligenter automatisierter Stromhandel funktionieren kann. Ein Agent lernt dabei selbstständig Handelsstrategien zu identifizieren und Käufe oder Verkäufe auszulösen. Durch das sogenannte Deep Reinforcement Learning (DRL) werden Kosten reduziert und der Handel vereinfacht. Das erleichtert den Zugang auch für Marktteilnehmer, die nur kleine Energiemengen am Markt handeln möchten.

Auch der Anlageneinsatz lässt sich mit KI optimieren. Im Energiemanagement von erneuerbaren Anlagenportfolios und flexiblen Verbrauchern lässt sich kurzfristig der Einsatz intelligent und automatisiert planen. Das Projekt "Cognition2H2Force" untersucht die Anwendung von DRL für diesen Einsatzzweck. Dazu werden Power-to-Gas-Anlagen zur Erzeugung und Speicherung von Wasserstoff mit Windenergieanlagen sowie Speichern kombiniert. Ziel ist die Entwicklung eines digitalen Zwillings eines Portfolios, in dem selbstlernende Optimierungsalgorithmen trainiert werden, die anschließend bereit sind für die selbstständige Einsatzplanung.

Um den Umgang mit Störungen kümmert sich das Projekt "ARCANA". Windanlagenbetreiber nutzen bisher eine automatisierte vorausschauende Wartung. Die Forschung geht nun einen Schritt weiter und beschäftigt sich mit der Diagnose von Fehlern durch DRL. Im Ergebnis liefert das KI-System nicht einen Alarm, sondern benennt auch die Ursachen, die zum Ausfall geführt haben, und wie sie zu beheben sind.

Ziel des Projekts Temporal Fusion Transformers (TFT) ist die Demonstration von Windprognosen. Die Vielzahl an Daten kann in einem Modell verarbeitet werden, das eine Leistungsprognose für einen Windpark errechnen kann. Dazu werden räumlich-zeitliche Abhängigkeiten gebündelt, die für unterschiedliche Orte und Zeiten vorliegen. Informationen über Windgeschwindigkeiten an einem Messort finden in die Prognosen für andere Orte Eingang.

Nicht nur Stromerzeuger, auch Netzbetreiber benötigen sichere Prognosen für den Betrieb. Probabilistische Netzzustandsprognosen berücksichtigen unterschiedliche Wettermodelle und bewerten deren Wahrscheinlichkeit mithilfe eines neuronalen Netzes. Dabei werden auch unwahrscheinliche, aber sehr relevante Ereignisse einbezogen.

Mit KI lassen sich zudem präzisere Einschätzungen zur Netztopologie treffen. Das Projekt Vertikale Lastprognosen verwendet Deep Learning.

Das Projekt KI OPF untersucht, ob DRL für Netzengpassbeseitigung und Flexibilitätsabrufe unter Berücksichtigung von Prognoseunsicherheiten geeignet ist. Dafür wird ein Netzsimulator genutzt, um das Training des Systems zu realisieren. Die Anwendung zielt auf neue Vorschriften für die untere Spannungsebene ab. Verteilnetzbetreiber können damit ihre Systemsteuerung nach den Vorgaben des Redispatch 2.0 unterstützen.

Im Projekt CTRL (Cognitive Train/Test System for Reinforcement Learning using Labs) wird anhand eines Agenten zur Regelung eines Ortsnetztrafos demonstriert, wie die Spannungshaltung automatisiert werden kann. Vom simulativen Pretraining über realistische Hardware-in-the-Loop-Methoden bis hin zu Feldtests werden hierbei Agenten schrittweise auf ihre Einsatzgebiete vorbereitet.

KI kann auch die Entwicklung von neuen Geräten vorantreiben. Konkret untersuchen Wissenschaftler des K-ES im Projekt "InvEx", ob sich mit einem Expertensystem die Entwicklungszeit von Stromrichtern verkürzen lässt. Herzstück der KI-Anwendung ist eine Datenbank für Stromrichterbauteile und Komponenten, Topologien und Regelalgorithmen.

Prof. Kurt Rohrig, Leiter des Fraunhofer IEE, betont die Notwendigkeit der intelligenten Digitalisierung in Bezug auf das Gesamtsystem: "Ein Entscheidungsprozess in einem dezentralen System wird deutlich komplexer sein, als wir es heute kennen, da sich die Zahl der Eingangsvariablen massiv erhöht." Erst mithilfe von KI werde es möglich, unterschiedliche komplexe Systeme wie Strom- und Wärmeversorgung sowie die Mobilität über automatisierte Entscheidungen gemeinsam zu betreiben.