Data4Grid: Künstliche Intelligenz im Stromnetz
345

Die Bedeutung der Stromverteilernetze nimmt durch die Dezentralisierung des Energiesystems rasant zu. Um die zunehmende Komplexität, die durch Volatilität der Erzeugung, Sektorkopplung und Flexibilisierung entsteht, zu beherrschen, sind künftig mehr Informationen und neue Methoden der Datenverarbeitung für Netzbetreiber notwendig.

Künstliche Intelligenz und digitale Technologien reduzieren den Aufwand zur Bewältigung dieser neuen Aufgaben erheblich, da so große Datenmengen schnell ausgewertet und umgehend Entscheidungshilfen bereitgestellt werden können.

Ziele

Das Projekt verfolgt zwei Ziele:

  • Anwendungsfälle identifizieren:
    Mit den 14 am Projekt beteiligten Verteilernetzbetreibern werden bestehende und absehbar wachsende Herausforderungen und damit mögliche Anwendungsfälle für KI bzw. smarte Datenanalysen in den Verteilnetzen identifiziert und diskutiert.
  • KI in der Praxis voranbringen:
    Data Scientists, Software-Entwickler und Programmierer entwickeln im Rahmen eines Wettbewerbs unter Begleitung der Verteilernetzbetreiber als Paten Prototypen für ausgewählte Anwendungsfälle.

 

So wird der konkrete Nutzen von Datenanalysen bzw. KI für die Netze demonstriert und eine Orientierung für Stromnetzbetreiber geschaffen, in welchen Bereichen KI künftig eine wichtige Rolle spielen kann.

Umsetzung

Das Projekt wird von der dena organisiert und gemeinsam mit Expertinnen und Experten von umlaut umgesetzt. Den Kern des praktischen Projekts bildet dabei ein Gremium aus Verteilnetzbetreibern. Zusätzlich wird zusammen mit dem Fraunhofer IEE ein wissenschaftliches Gutachten erarbeitet.

In einem ersten Schritt wurden bestehende und zukünftige Anforderungen an die Verteilernetze und deren Betreiber identifiziert und Erfahrungen in der Branche mit künstlicher Intelligenz und smarten Datenanalysen sowie Innovations- und Weiterentwicklungspotenziale diskutiert.

Darauf aufbauend wurden gemeinsam mit den beteiligten Verteilernetzbetreibern drei Challenges definiert, für die im Rahmen eines Wettbewerbs konkrete digitale Lösungen gefunden und Prototypen entwickelt wurden. Die drei Challenges sind:

Der zunehmende Marktanteil von Elektrofahrzeugen und der damit einhergehende Strombedarf führen zu einem veränderten Lastverhalten in Privathaushalten, auf das die Betreiber der Stromnetze reagieren müssen. Damit der Ausbau der Elektromobilität weiter vorangetrieben wird und gleichzeitig die Netzstabilität langfristig gesichert werden kann, braucht es Prognosen zu der zeitlichen und räumlichen Durchdringung von Ladeanschlüssen im privaten Umfeld für Elektroautos in den Verteilnetzen.

In eine explorative Datenanalyse wurden Eigenschaften von Wallbox-Besitzern und regionale Unterschiede ermittelt. So konnten neue Wallbox-Installationen zeitlich und räumlich mittels Machine Learning prognostiziert werden.

Die Lösungen der StartUps sind in den Pitch-Decks detailliert dargestellt:

OmegaLambdaTech
Localiser
Aliunid

Die Stromerzeugung wird durch die Energiewende dezentraler und mit der Elektrifizierung von PKWs steigen der Verbrauch von Haushalten und die Spitzenlasten zu bestimmten Uhrzeiten an. Für Verteilnetzbetreiber ist es daher wichtig, den aktuellen Netzzustand zu kennen, um ggf. geeignete Maßnahmen zur Sicherung Netzstabilität durchzuführen. Insbesondere in der Niederspannungsebene gibt es jedoch kaum Daten, anhand derer der aktuelle Netzzustand bestimmt werden kann. Methoden des Machine Learnings bieten die Chance, optimierte Messkonzepte zu entwickeln und die Menge der benötigten Messtechnik zu senken, während gleichzeitig die Sicherheit des Netzes gesteigert wird.

Für Netzabschnitte im Niederspannungsnetz wurde ein Messkonzept entwickelt, das sich generalisieren und auf weitere Abschnitte übertragen lässt. Ein spezieller Fokus lag auf den notwendigen Daten und Machine Learning-Modellen, die Netzbetreibern bei der Einsparung von Sensorik helfen können.

Die Lösungen der StartUps sind in den Pitch-Decks detailliert dargestellt:

reto4KI
enersis
OmegaLambdaTech

Im Stromnetz der Zukunft wird immer wichtiger, den Stromverbrauch von Haushalten, Gewerbebetrieben, Ladestationen für Elektroautos und weiteren Verbrauchern akkurat zu prognostizieren. So kann auch bei schwankender Einspeisung ein stabiler Netzzustand garantiert werden. Durch die Einführung von Smart Metern nimmt die verfügbare Datenmenge kontinuierlich zu und bietet eine gute Basis für Lastprognosen. In Zukunft werden diese Lastprognosen in Kombination mit Einspeiseprognosen von dezentralen Einspeisern die Grundlage für eine automatisierte Netzsteuerung liefern.

Auf Basis von Smart-Meter-Daten wurde ein rechenfähiges Modell entwickelt, das Lastprognosen berechnet und auf andere Regionen und Szenarien übertragbar ist.

Die Lösungen der StartUps sind in den Pitch-Decks detailliert dargestellt:

Fraunhofer IEE
ifesca
NAECO Blue

Ergebnisse

Die wichtigsten übergeordneten Entwicklungen durch die Transformation des Energiesystems, die daraus resultierenden Anforderungen an die Netzbetreiber und mögliche Lösungen sind hier in einer interaktiven Übersicht zusammengefasst:

INFOGRAFIK I 1MB
Ein Stromnetz für ein klimaneutrales Energiesystem – Entwicklungen, Anforderungen, Lösungen

Abschlussveranstaltung und Siegerehrung

Am 4. Mai 2022 fand die Abschlusspräsentation der Start-Ups und die Siegerehrung im Rahmen der SET Hub Open statt. Die Teams präsentierten ihre Lösungen und zeigten, wie durch datenbasierte Methoden bereits in kurzer Zeit große Fortschritte erreicht werden konnten.

Als Sieger gingen aus den Wettbewerben die folgenden Start-Ups hervor:

Challenge 1: Szenarioanalysen zur Nutzung von Elektromobilität

  1. Platz: OmegaLambdaTech
  2. Platz: Localiser
  3. Platz: Aliunid

Challenge 2: Evaluierung von Messstellen zur Erhöhung der Netztransparenz

  1. Platz: reto4KI
  2. Platz: enersis
  3. Platz: OmegaLambdaTech

Challenge 3: KI-Gestützte Verbrauchsprognosen auf Basis von Smart-Meter Daten

  1. Platz: Fraunhofer IEE
  2. Platz: ifesca
  3. Platz: NAECO Blue
Foto: shutterstock/Sven Mikat