KI – Künstliche Intelligenz 

Neueste Szenarien des internationalen Forscherteams um Ida Sognnaes vom norwegischen Center for International Climate Research zeigen bis Ende dieses Jahrhunderts eine mögliche Erderwärmung von 2,2 – 2,9 Grad Celsius. Hier will Deutschland energisch entgegensteuern und hat mit der EEG-Novelle 2021 ein eindeutiges Zeichen für mehr Klimaschutz und den Einsatz erneuerbarer Energien gesetzt. Ziel ist es, neben der Steigerung der Energieeffizienz, bis zum Jahr 2030 mindestens 65 Prozent erneuerbare Energien zu erreichen. Doch der Zubau von Photovoltaik- und Windkraftwerken ist noch lange nicht die Lösung des Problems. Das System kämpft mit Lasttälern- und Leistungsspitzen, mit „Dunkelflauten", die Leitungs- und Regeltechnik an ihre Grenzen bringt. Hier sind Intelligenz, Kreativität, Technik und neue Steuerungsmechanismen gefragt.

Aus Sicht der Energieversorger ist das Beschreiten des Energiemarkts der Zukunft eine wahre Mammutaufgabe. War die Stromproduktion konventioneller Kraftwerke bisher verlässlich planbar, sind erneuerbare Energien dezentraler Erzeuger wie z.B. Photovoltaik und Windkraftanlagen äußert volatil. Das heißt, sie unterliegen durch unterschiedliche Witterungsbedingungen enormen Schwankungen und sind alles andere als einfach plan- und steuerbar. Mit zunehmendem Ausbaugrad der erneuerbaren Energien steigt der Komplexitätsgrad bei der Stabilisierung der Stromnetze. Um das Stromangebot und den Strombedarf so planbar wie möglich zu gestalten, sind exakte Energieprognosen essenziell.

 

Die selbstlernende KI wird immer besser, je mehr Daten sie im Laufe der Zeit zum Auswerten bekommen hat. Der manuelle Prozess einer Prognoseerstellung, der zum Teil mehrere Stunden in Anspruch nimmt, kann durch das intelligente System abgelöst werden und verschafft dem Anwender neben Zeit auch eine weitaus präzisere Vorhersage über voraussichtlichen Strombedarf- bzw. Stromerzeugung. Mit dem Entscheidungshilfesystem wird der enorme Anstieg von erneuerbaren Energien und der damit verbundenen Einflussgrößen in der Energiebranche viel einfacher handhabbar. Doch nicht nur für Energieversorger und Stadtwerke bieten die Prognosetools große Chancen.

Wenn es um die Steigerung von Energieeffizienz und Reduzierung von CO2 im Sinne des Klimaschutzes geht, müssen neben den Energieversorgern auch die gewerblichen Verbraucher mit stark schwankenden und sehr großen Energiebedarfen in Betracht gezogen werden. Energieintensive Unternehmen benötigen Energie, die stark von ihrer Produktionsplanung abhängt und hierdurch berechenbar scheint. Sobald die Produktionsplanung abgeschlossen ist, scheint zunächst klar, wann wie viel Energie benötigt und wie hoch die Spitzenlast sein wird. Von dieser maximalen Spitzenlast hängt nicht nur die benötigte Anschlussleistung ab. Vielmehr wirkt sich die maximale Spitzenlast innerhalb eines Bezugszeitraumes auch direkt auf die Kosten des Strombezuges aus. Dabei ist es unerheblich, ob der sogenannte Peak nur in seltenen Spitzenzeiten oder sehr häufig erreicht wird. Es zählt die höchste Leistungs-Spitze und diese bestimmt neben der Menge der bezogenen Arbeitsleistung in Kilowattstunden die Kosten. Mit dem bestmöglichen Produktionsoutput steht neben dem sparsamen Umgang mit dem Strom auch die geringstmögliche Spitzenlast in einem stetigen Optimierungswettkampf. Es gilt also die Peaks zu kappen, um Kosten zu reduzieren.

 

Da immer mehr Unternehmen PV-Anlagen auf ihren Dächern montieren, erhöht sich mit der Eigenproduktion durch solch volatile Energieträger die Komplexität der Strombedarfssteuerung weiter. Spitzen können geschickt gekappt werden und in immer kürzeren Abständen stellt sich die Frage, wann es sinnvoll ist, Energie zu speichern, direkt zu nutzen, am Energiemarkt zu verkaufen oder einzukaufen. Hinzu kommt eine hohe Ladeperformance durch moderne Lithium-Ionen-Batterien in LKWs, Autos, Flurförderfahrzeugen und fahrerlosen Transportsystemen. Diese „flexiblen Assets" haben das Potenzial, die Spitzenlasten und damit die Kosten sprunghaft in die Höhe zu treiben oder eben gigantische Einspar- und sogar Einspeisemöglichkeiten zu bieten, vor allem wenn bidirektionales Laden (Vehicle to grid) möglich ist.

Hier spielen die intelligenten Entscheidungshilfesysteme der Ilmenauer Experten ihre volle Stärke aus: Unter Berücksichtigung von Produktions- und Wartungsplänen wird für Energieverbraucher eine exakte Prognose des Bedarfs erstellt. Demgegenüber werden eigene Solar-, Biogas- oder Windkraftanlagen sowie Notstromaggregate im System eingebunden. Wetter und weitere volatile Einflussfaktoren bestimmen die Prognose für diese regenerative Energieausbeute und berücksichtigen zusätzlich schwankende Energiebeschaffungskosten. Somit entsteht ein Profil günstiger Zeiträume für den Betrieb der Verbraucher oder das Laden der flexiblen Assets. Die Softwareanwendungen berechnen jedoch nicht nur Energieverfügbarkeit, -preise und -bedarf vollautomatisch, sondern übernehmen auch die laufenden Optimierungsaufgaben. Damit werden Lastspitzen geglättet, Kosten massiv gedämpft und durch optimalen Einsatz der eigenen Ressourcen der Energiebezug minimiert. Neben den Strom-Kosten sinken damit der Ausstoß klimaschädlicher Gase und damit die Kosten für Klimakompensationsmaßnahmen.

 

Ein von der FH Bielefeld initiiertes, internationales Forschungsprojekt  zur lokalen Steuerung des Stromnetzes ist AI4DG – mehr dazu hier: Künstliche Intelligenz am Straßenrand