Zum Inhalt springen

Mit KI zur Energiewende

Die Energiewende stellt viele Akteur:innen und Unternehmen im Strommarkt und in der Energiewirtschaft vor Herausforderungen, so auch die Stromversorger:innen. Denn: Erneuerbare Energien sind wetterabhängig und deren Verfügbarkeit unsicherer planbar als konventioneller Kohle-, Gas- oder Atomstrom. Unser Strom wird zunehmend aus erneuerbaren Quellen gewonnen, Windkraft und Sonnenenergie führen die Liste an. 2021 kamen bereits 41 Prozent des Bruttostromverbrauchs aus erneuerbaren Energien. Bis 2025 soll der Anteil weiter steigen und zwischen 40 und 45 Prozent liegen, so ist es im Erneuerbare-Energien-Gesetz verankert.

Diese Neuerungen im Stromnetz wirken sich auf die Stromversorgung aus. Um die Stromversorgung stabil zu halten und Abwicklung zu vereinfachen, prognostizieren Bilanzkreis_Manager:innen den Stromverbrauch für den kommenden Tag. Basierend auf komplexen Rechnungen kaufen oder verkaufen sie an kurzfristigen Strombörsen den notwendigen Strom. Idealerweise so, dass es weder zu einer Unter- noch zu einer Überversorgung kommt.

Muss kurzfristig Strom als Ausgleichsenergie vom Netzbetreiber bereitgestellt werden, um eine etwaige Differenz auszugleichen, entstehen hohe Kosten. Der zunehmende Anteil von erneuerbaren Energien im Netz erschwert die Kalkulation der benötigten Strommengen. Hinzu kommen immer mehr dezentrale und steuerbare Verbrauchseinrichtungen sowie die Elektrifizierung des gesamten Energiesystems – eine echte Herausforderung für das Bilanzkreismanagement. Die Lösung: technische Innovation in Form von verstärktem Einsatz von Data und KI.

KI im Stromnetz: Die richtige Balance finden

Innovation am Strommarkt? Geht das? Ja! Ganz konkret in Form eines intelligenten Bilanzkreis-Management-Tools. Ein Tool, das für den Markt bitter nötig ist.

Die Kosten, um eine Über- bzw. Unterversorgung im Stromnetz auszugleichen, betragen schon heute 1,5 Milliarden Euro – Tendenz steigend. Das zeigt: Die richtige Balance zu finden, ist kein Kinderspiel. Die Energiewende verstärkt diese Tendenz. Schon heute haben wir bei Sturm bis zu 50 Prozent erneuerbare Energien im Stromnetz. Bei Flaute gepaart mit Wolken sieht das Bild ganz anders aus.

Deep-Learning-Verfahren sollen helfen, die Balance zu finden. Das Ziel: Mit einer intelligenten Bilanzkreis-Management-Software möglichst präzise Prognosen basierend auf Smart-Meter-Daten und Algorithmus in Echtzeit erstellen und relevant Einflüsse für Nutzer:innen transparent darstellen. Um dieses Ziel zu erreichen, sind eine Reihe von Daten nötig, um diese spezifischen Prognosen zu nähren. Ein wichtiger Faktor sind Prognosedaten: Wettervorhersage, Lastprognosen, Strompreisprognosen, Einspeiseprognosen der volatilen Energien aus Sonne und Wind oder Prognosen zu variablen Stromspeichermöglichkeiten gehören dazu.

Daneben bilden Messdaten einen wichtigen Baustein für zukünftige Tools: Smartmetering steuert aktuelle und historische Daten zum Stromverbrauch bei – beispielsweise auch die Menge an Strom, die Photovoltaikanlagen tagesaktuell generieren. Außerdem wichtig: Aktuelle Nutzerdaten, die politische oder lokale Änderungen einbeziehen. Verringert oder erhöht eine Krise wie die Covid Pandemie den Stromverbrauch?

Mit diesen und vielen weiteren Parametern unterstützen Machine-Learning-Modelle Bilanzkreis_Manager:innen dabei, den Stromverbrauch weitestgehend akkurat vorherzusagen und auch Einkaufsentscheidungen zu begründen. Das Ergebnis: Bilanzkreis_Manager:innen können die notwendige Menge an Strom für den Folgetag bereitstellen. Das verringert ihr Abhängigkeit von schwankenden und hohen Preisen von Ausgleichsenergie – und macht die Versorgung für die Bevölkerung durch erneuerbare Energien kosteneffizienter.

KI und Machine Learning für die Wettervorhersage: The sky is the limit

Tools basierend auf Deep-Learning-Methoden und Machine Learning haben hohes Potential und ambitionierte Ziele: 1.) Die Prognosequalität im Vergleich zu herkömmlichen Bilanzkreis-Management-Tools signifikant verbessern und 2.) eine Verbesserung der Zeitauflösung und damit eine Optimierung in nahezu Echtzeit. So reduzieren sie nicht nur Prognosefehler, sondern liefern gleichzeitig spezifische Handlungsempfehlungen.

Technologie und Daten sind aber – wie immer – nur die halbe Miete. Bilanzkreis_Manager:innen arbeiten dann ideal mit solch einem Tool, wenn sie die gestellten Prognosen verstehen und einordnen können. Ein Explainable AI Feature kann erläutern, warum das Modell bestimmte Entscheidungen getroffen hat (beispielsweise: Wind hat zugenommen o.ä.). Aber auch die Visualisierung ist entscheidend: Ein Tool steht und fällt mit der grafischen Darstellung der errechneten Prognosen.

Je besser diese dargestellt werden, desto einfacher kann ein:e Bilanzkreis_Manager:in Schlüsse daraus ziehen, Prognosen annehmen oder auch modifizieren. Idealerweise gliedert sich das Tool nahtlos in bestehende Unternehmensprozesse ein. Das erleichtert die Arbeit und fördert gleichzeitig die Akzeptanz.

Cloud-Lösung spart Kosten

Smarte Tools für Bilanzkreis_Manager:innen in Unternehmen werden idealerweise in der Cloud gehostet. Diese sogenannte Serverless-Architektur bietet zwei Vorteile: Geringe Kosten für das Hosting und horizontale Skalierbarkeit des Tools. Eine Option ist es, Amazon Web Services (AWS) dafür zu nutzen. Mit der AWS-Lambda-Funktion zahlen Nutzer:innen beispielsweise nur die Rechenleistung, die für den einzelnen Aufruf des entsprechenden URL-Endpunkts genutzt wird und müssen keine permanenten Server mieten.

Stolpersteine

Damit ein intelligentes Bilanzkreis-Management-System auch wirklich gute Prognosen zum Stromverbrauch stellen kann, muss es mit den richtigen Daten entwickelt und trainiert werden. Besonders an zwei Stellen sind die Herausforderungen groß. Zum einen variieren die Mengen an Strom, die entnommen und eingespeist werden oft kurzfristig je nach Wetterlage. Zum anderen ist das intelligente Stromnetz an vielen Stellen noch unzureichend ausgebaut und es fehlen Smartmeter, die präzise Messdaten liefern. Solch schwankende Faktoren erschweren es Deep-Learning-Systemen, basierend auf maschinellem Lernen, in einigen Ausnahmesituationen, akkurate Prognosen zu treffen und Bilanzkreise optimal auszuregeln.

KI und Energiewende: das Potenzial hat die Zukunft

Erneuerbare Energien erfordern neue Technologien und Herangehensweisen, um effektiv und effizient mit ihnen zu arbeiten. Data Science und Künstliche Intelligenz ist einer der vielversprechendsten Ansätze: Intelligente Bilanzkreis-Management-Tools haben das Potenzial Netzbetreiber:innen, Unternehmen aber auch der Energiewirtschaft zu helfen, spürbar Kosten zu senken. Denn ihr Ziel ist es, aufgrund genauer Prognosen, Ausgleichskosten zu vermeiden, indem sie eine Balance zwischen Unter- und Überversorgung herstellen.

Noch weiter in die Zukunft geschaut: Es liegt auf der Hand, dass solche smarten Tools perspektivisch in die digitale Infrastruktur zum Stromhandel integriert werden, um automatisiert z.B. am Intraday oder Day-Ahead-Markt die prognostizierte benötigte Strommenge zu handeln. Auch wenn es auf den ersten Blick nicht so scheint und der genaue Fahrplan noch nicht feststeht: Der Strommarkt ist dynamisch und bietet enormes Potential für Innovation, Technologien und neue Geschäftsmodelle von Unternehmen.

Here comes KI