AC Smart Energy Systems
Wir entwickeln KI-basierte Lösungen, die die Energiewende und Digitalisierung des Energiesystems unterstützen.
Motivation
Um die Klimaziele und eine nachhaltige Energieversorgung zu erreichen wird die traditionelle, fossile, zentral organisierte Versorgung zunehmend von volatilen erneuerbaren Erzeugern wie Wind und Solar verdrängt. Dabei zeichnet sich auch eine dezentralisierte Struktur des Energiesystems ab, die es ermöglicht lokal erzeugte Energie möglichst vor Ort, z.B. im Quartier oder aber der Gemeinde und Stadt ohne lange Übertragungen zu nutzen. Diese Entwicklungen eröffnen neuartige Chancen für eine Transformation des Energiesystems, stellen aber auch neuartige Herausforderungen dar, wie die Gewährleistung einer zuverlässigen Versorgung in einer komplett emissionsfreien Zukunft.
Ziele
Am DAI-Labor erforschen wir inwiefern die Digitalisierung und künstliche Intelligenz diesen mit der Energiewende einhergehenden neuen Herausforderungen entgegenwirken können. Die Digitalisierung zeichnet sich als ein notwendiger Wegbereiter ab. Sie schafft schnellere und flexiblere Markt- und Systemprozesse, kann dabei unterstützen, das Stromnetz an andere Sektoren wie die Wärmeversorgung, die Industrie und die Mobilität anzubinden und den Endverbraucher als „Prosumenten“ – also gleichzeitig als Verbraucher und als Erzeuger der Energie – zu integrieren. Doch auch Methoden aus dem Bereich der KI können im Energiesystem dabei unterstützen bessere Entscheidungen zu treffen. Sie können beispielsweise in komplexen Situationen schnell näherungsweise Lösungen finden, wenn traditionelle Methoden, wie zum Beispiel Netzsimulationen, aufgrund der Komplexität an ihre Grenzen geraten.
Technologien
Im Anwendungszentrum Smart Energy Systems werden die Aktivitäten der Kompetenzzentren am DAI-Labor für Lösungen im Energiesystem zusammengeführt. So können durch Maschinelles Lernen bessere Prognosen erstellt werden (siehe CC AIM), um daraufhin durch komplexe Optimierungsalgorithmen die Energieeffizienz zu erhöhen, den CO2-Ausstoß oder die Kosten zu senken. In Multi-Agentensystemen (siehe CC ACT) werden die Komponenten im System durch autonome, intelligente Dienste abgebildet. Diese finden durch Kooperation und selbstständiges Aushandeln optimale Strategien, ohne dass eine zentrale Kontrolle notwendig ist. Auch die Robotik kann im Energiesystem Anwendung finden (siehe CC RAS). Drohnen können Oberleitungen selbstständig nach Schäden absuchen oder Elektrofahrzeuge automatisiert an die Ladepunkte angeschlossen werden, um dem Netz als Stromspeicher zu dienen. Im CC SAS wird erforscht, wie sich die Interaktion mit Systemen an den Nutzer adaptiert. Wir zeigen hier wie der Nutzer und die Algorithmen besser zusammen interagieren können, indem beispielsweise durch Augmented- und Mixed-Reality Energie- und Netzdaten visualisiert werden, um beispielsweise Monteure und Installateure bei ihrer Arbeit zu unterstützen. Aber auch Querschnittsthemen wie die IT-Sicherheit (CC SEC) und zuverlässige Kommunikationssysteme (CC FCS) sind wichtige Pfeiler zukünftier zuverlässiger Energiesysteme.
Themenfelder
Autonome Verteilte Energiesysteme
Während im traditionellen Energiesystem die wichtigsten Entscheidungen zur Sicherstellung einer zuverlässigen Versorgung größtenteils manuell zentral getroffen wurden, führt die Dezentralisierung des Energiesystems zu einem zunehmend autonomen Verhalten auf allen Ebenen.
Mehr und mehr Prosumer interagieren direkt mit anderen Prosumern, Aggregatoren oder lokalen Marktplattformen, um die Energieversorgung zu optimieren, Flexibilität anzubieten und überschüssige erneuerbare Energie zu verkaufen. Aktive Verteilungsnetze überwachen und prognostizieren ihren Zustand auch auf der Niederspannungsebene, um bei Bedarf eingreifen zu können.
Diese Entwicklungen stellen die Forschung vor neue Herausforderungen. Die Entscheidungen der KI-Algorithmen müssen zuverlässig und in der Übergangsphase auch erklärbar sein, um den Übergang zu vertrauenswürdigen automatisierten Entscheidungen zu ermöglichen. Die Cybersicherheit muss gewährleistet sein, auch in einem stark vernetzten System.
Analyse von Energiedaten
Mit der Dezentralisierung und Digitalisierung des Energiesystems werden zunehmend Sensoren installiert und große Datenmengen fallen an, die es erlauben den Systembetrieb und die Planung des Systems zu verbessern.
Die Daten können verwendet werden, um digitale Zwillinge von Komponenten im System für detaillierte Simulationen zu erstellen. Dies ermöglicht bessere Entscheidungsunterstützungen in diversen Aspekten des Systembetriebs und der Planung. Maschinelles Lernen und datengetriebene Modellierung ermöglichen ein intelligenteres vorausschauendes Energiemanagement, indem Unsicherheiten der erneuerbaren Erzeugung und des Verbrauchs auf allen Systemebenen explizit modelliert werden. Aber nicht überall werden Sensoren benötigt: Maschinelle Lernverfahren können dazu verwendet werden, einzelne Komponenten in aggregierten Signalen durch Non-intrusive Load Monitoring (NILM) zu identifizieren, Zustände unbeobachteter Teile des Netzes abzuschätzen (State Estimation) oder realistische Daten zu synthetisieren, wenn keine Messdaten verfügbar sind. Die Daten können auch zur Vorhersage des Versagens von Komponenten verwendet werden, indem das normale Verhalten erlernt und systematische Abweichungen erkannt werden, bevor der Worst-Case eines teuren Ausfalls eintritt.
Neben der Handhabung des schieren Volumens und der Sicherung der Datenqualität ist die Gewährleistung des Schutzes der Privatsphäre sensibler Daten eine relevante Herausforderung für die Forschung.
Elektromobilität der Zukunft
Mit der Dekarbonisierung des Mobilitätssektors werden zukünftige Mobilitätsdienstleistungen eng mit dem Energiesystem und dem Smart Grid verbunden sein. Gleichzeitig werden die Fahrzeuge immer autonomer. Die zunehmende Autonomie stellt neue Herausforderungen an die Integration mit dem Energiesystem, bietet aber auch ein großes Potenzial.
Die an das Stromnetz angeschlossenen Elektrofahrzeuge können durch gesteuertes Laden und Vehicle-to-Grid aggregierte Flexibilität und Speicherdienstleistungen anbieten. Zukünftig werden voll-autonome Fahrzeuge
automatisch aufladen und sich mit der Netzkapazität bewegen können. Der Wandel zu mehr serviceorientierter Mobilität beeinflusst allerdings die Auswirkungen auf das Stromnetz. Und die Entwicklungen des Automatisierten Ladens beeinflussen die optimale Planung der Ladeinfrastruktur.
Die Herausforderungen für die Forschung liegen daher in der Unterstützung der langfristigen Planung der Ladeinfrastruktur und der Stromnetze, unter Unsicherheit darüber, wie sich Mobilitätsmuster und autonome Antriebstechnologien entwickeln werden.
