KIVi - Künstliche Intelligenz zur Untersuchung der Versorgungssicherheit mit Elektrizität

 

Projektlaufzeit: 06/2020 – 11/2023

Fördermittelgeber: Bundesministerium für Wirtschaft und Klimaschutz (BMWK)

Förderkennzeichen: 03EI1022A

Konsortialpartner:

• Zentrum für Innovative Energiesysteme der Hochschule Düsseldorf (ZIES)

Assoziierte Partner:

• die vier Deutschen Übertragungsnetzbetreiber: 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO GmbH, TransnetBW GmbH

Mögliche Einbußen in der Zuverlässigkeit der Stromversorgung werden häufig als wichtige Bedenken gegen den Ausstieg aus der Kernenergienutzung und der Kohleverstromung aufgeführt. Bisherige Methoden zur konsistenten Untersuchung der Auswirkungen auf die Versorgungssicherheit aufgrund von Veränderungen des deutschen Kraftwerksportfolios sind jedoch äußerst zeitaufwendig und haben daher die Anzahl der zu untersuchenden Szenarien stark limitiert.

Ein interdisziplinäres Team aus Wissenschaftlern der RWTH Aachen und der Hochschule Düsseldorf entwickelt daher neue Ansätze basierend auf Methoden aus dem Bereich der Künstlichen Intelligenz, um solche Analysen der Versorgungssicherheit mit Elektrizität zu beschleunigen. Dabei werden insbesondere Methoden zur Prognose von Modelleingangsdaten, zur Datenkonsolidierung sowie zur Metamodellierung untersucht (siehe Abbildung 1). Die wesentlichen Forschungsfragen im Projekt KIVi lauten:

1. Welche Methoden aus dem Bereich der Data Science eignen sich besonders für die Verwendung im Rahmen der Versorgungssicherheitsbewertung?
2. Wie können diese Methoden am besten übertragen werden, um:
   • Datenreihen aufzubereiten und Unsicherheiten abzuschätzen?
   • Den eigentlichen Modellierungsprozess zu vermeiden und somit durch geschickte Metamodellierung Laufzeiten zu reduzieren?
   • Umfassendere Versorgungssicherheitsanalysen durch die Vermeidung von Modellierungsaufwand zu ermöglichen?
3. Auf welche weiteren Einsatzmöglichkeiten in der Energieforschunglassen sich diese Methoden übertragen?

  Urheberrecht: © FCN-ESE Abbildung 1: Untersuchungsrahmen im Forschungsprojekt KIVi

Die hohe Relevanz dieser Thematik spiegelt sich unter anderem dadurch wider, dass ein Praxisbeirat unter Beteiligung von Vertretern aller vier Deutschen Übertragungsnetzbetreiber sowie der Bundesnetzagentur zum regelmäßigen Transfer der Ergebnisse in die praktische Anwendung etabliert wurde.

Die ersten Ergebnisse der gemeinsam von Wissenschaftlern des Lehrstuhls für Energiesystemökonomik (FCN-ESE) der RWTH Aachen sowie des Zentrums für Innovative Energiesysteme (ZIES) an der Hochschule Düsseldorf entwickelten Methoden der Metamodellierung und der künstlichen Intelligenz scheinen dabei sehr vielversprechend. So konnten die ursprünglich rund zehnstündigen rechenclusterbasierten Computersimulationen in Testläufen auf Rechenzeiten von nur knapp zwei Minuten reduziert werden. Ziel des nun angelaufenen Forschungsprojektes ist es, diese ersten Ansätze in robuste Analysemethoden zu überführen, um innerhalb der gleichen Zeit ein Vielfaches an möglichen unterschiedlichen Energieszenarien mit deren Implikationen auf die Versorgungssicherheit untersuchen zu können.

Auszeichnungen im Projektkontext:

• 2022: Erster Preis des Studienpreises 2022 der Körberstiftung im Bereich Sozialwissenschaften
• 2021: EEX Group Excellence Award
• 2021: GEE Preis des Energieforums Berlin in der Kategorie "Beste Dissertation"

 

Ausgewählte Publikationen von Fachergebnissen

Fachzeitschriftenartikel (full scholarly peer-review)
Köhnen, C. S., Priesmann, J., Nolting, L., Kotzur, L., Robinius, M., Praktiknjo, A. (2021). The Potential of Deep Learning to Reduce Complexity in Energy System Modeling, International Journal of Energy Research. [Wiley]
Nolting, L., Praktiknjo, A. (2021). The complexity dilemma – Insights from security of electricity supply assessments. Energy, 122522. [ScienceDirect]
Behm, C., Nolting, L., Praktiknjo, A. (2020). How to Model European Electricity Load Profiles using Artificial Neural Networks, Applied Energy, 277, 115564. [ScienceDirect]
Nolting, L., Spiegel, T., Reich, M., Adam, M., Praktiknjo, A. (2020). Can Energy System Modeling Benefit from Artificial Neural Networks? Application of Two-stage Metamodels to Reduce Computation of Security of Supply Assessments, Computers & Industrial Engineering, 142. [ScienceDirect]