Wie künstliche Intelligenz unsere Energieversorgung smarter macht
| Energie
Wie künstliche Intelligenz unsere Energieversorgung smarter macht
Energieversorgungssystem der Zukunft
Energieversorgungssystem der Zukunft: Verbraucher, Erzeuger und Energieversorgungsnetze sind miteinander vernetzt und tauschen Informationen aus. KI unterstützt uns dabei, die entstehenden Datenströme zu koordinieren, zu verarbeiten und für eine smarte Energieversorgung einzusetzen.
Credit:
DLR (CC-BY 3.0)
Welchen Beitrag kann künstliche Intelligenz (KI) leisten, um die Energiewende voranzubringen? Was passiert mit unserer Energieversorgung, wenn wir immer mehr Energie aus wechselnden Quellen wie Sonne und Wind nutzen? Wie können dabei ausgerechnet Elektroautos zur Stabilisierung der Netze beitragen? An Lösungen zu diesen Fragen arbeiten Wissenschaftler/innen des DLR-Instituts für Vernetzte Energiesysteme in Oldenburg. Hier forscht die Arbeitsgruppe Energiemanagement an Methoden und Modellen für eine smarte und nachhaltige Energieversorgung, die durch künstliche Intelligenz unterstützt wird. In diesem Blog einer mehrteiligen Reihe erzählt Jan-Simon Telle vom Projekt EMGIMO, in dem es um die effiziente Stromversorgung in Gewerbeimmobilien geht.
Mit steigendem Umweltbewusstsein wächst das Interesse in der Bevölkerung, sowohl Neubauten als auch Bestandsgebäude möglichst CO2-arm mit Energie zu versorgen. Hinzu kommt ein immer größerer Bedarf an Ladeinfrastruktur für Elektroautos. Folglich wächst auch der Bedarf an lokalem Energiemanagement, um schwankende dezentrale Erzeugung aus Sonne und Wind und schwankende Verbräuche zeitlich aufeinander abzustimmen.
Konkret heißt das zum Beispiel, dass auf dem eigenen Dach erzeugte Sonnenergie ("dezentrale Erzeugung"), die abhängig von Tageszeit und Wetterlage ist, zeitlich auf den Verbrauch im Gebäude abgestimmt wird. In einer Gewerbeimmobilie zum Beispiel wird meist tagsüber gearbeitet, weshalb die Sonne in diesem Fall eine ideale Energiequelle ist. Durch intelligent werdende Messtechnik, so genannte "Smart Meter" (einige von euch denken vielleicht an Marc Elsbergs "Blackout"), können zeitlich hochaufgelöste Energiemesswerte erfasst werden - das heißt nicht mehr nur alle 15 Minuten gemittelte Energiewerte, sondern minuten- oder sogar sekundengenaue Werte.
Diese Werte lassen sich wiederum im Energiemanagement einsetzen, um beispielsweise Prognosen des zukünftigen lokalen Energiebedarfs und der lokalen Erzeugung zu erstellen. Mit Hilfe solcher Prognosen können Ladevorgänge von Elektroautos oder Hausenergiespeichern derart verschoben werden, dass viel Strom vom eigenen Dach genutzt und weniger Energie aus dem Netz bezogen wird. Groß gedacht wird so das Stromnetz entlastet und der deutschlandweite Ausbaubedarf neuer Stromleitungen reduziert.
Akteure des Energiesystems
KI hilft uns dabei, bestehende und neue Akteure aller Sektoren des Energiesystems (Strom, Wärme und Mobilität) so zu koppeln („Sektorenkoppung“), dass sie miteinander und nicht parallel zueinander arbeiten.
Credit:
DLR (CC-BY 3.0)
Projekt EMGIMO: "Ladefahrpläne" für Stromspeicher und Elektroautos
Wie KI dabei hilft, Energieverbrauch und Energieerzeugung eines Gebäudes möglichst genau zu prognostizieren, um daraus beispielsweise Ladefahrpläne für Elektroautos zu erstellen, betrachten Forschende der Arbeitsgruppe Energiemanagement innerhalb des Projekts EMGIMO.
Im Rahmen von EMGIMO nutzen wir die Messdaten (wie Leistung, Energie, Strom, Spannung), um den voraussichtlichen Energiebedarf und die wetterabhängige Verfügbarkeit von Eigenstrom (etwa vom eigenen Dach) vorausschauend und effizient aufeinander abzustimmen. Ein selbstlernendes Modell erkennt die Verbrauchsmuster einzelner elektrischer Geräte und erstellt eigenständig "Ladefahrpläne" für Stromspeicher und Elektroautos. Das steigert den Eigenverbrauch, senkt die Stromkosten und entlastet die Netze.
Um dies zu untersuchen, wurde ein Reallabor innerhalb einer Bestands-Gewerbeimmobilie in München eingerichtet. Hier können wir unsere theoretischen Ansätze in die reale Welt übertragen. Um die neu errichtete 99,9 kWp Photovoltaikanlage (PV) (diese dunklen Kästen, die oft auf Dächern zu sehen sind und Sonnenlicht in elektrischen Strom umwandeln) und die sechs installierten Ladepunkte für Elektro-Pkw in der Tiefgarage sowie bereits vorhandenen Verbrauch zu erfassen, haben wir mehrere Messpunkte zur smarten Datenerfassung installiert. Das Energiemanagementsystem "sammelt" die Werte zur weiteren Verarbeitung ein.
KI hilft uns insbesondere bei der Erkennung von Mustern aus Messwerten, der Optimierung von Betriebsstrategien oder der Erstellung von "low-cost" selbstlernenden Prognosen. Letztere werden zum Beispiel eingesetzt, um abzuschätzen, wann die Sonne scheint und wie viel Energie unsere Photovoltaikanlage daraus erzeugen kann. Dafür erhalten die Algorithmen neben historischen Messwerten auch Wetterdaten wie Außentemperatur, Bewölkungsgrad oder Luftfeuchtigkeit. Auf der anderen Seite versuchen wir mit einer Lastprognose vorherzusagen, wann und wie viel Energie Verbraucher (z.B. Fahrstühle, Licht, Computer, Kaffeeautomat) im Gebäude nutzen. Die Prognose der Erzeugung und des Verbrauchs kombiniert das Energiemanagement anschließend, um einen Fahrplan zu erstellen: wann lädt ein Auto optimaler Weise; wann wird ein elektrischer Speicher geladen oder entladen? Da nicht alle Autos gleichzeitig ankommen, die Sonne nicht konstant scheint und wir bei den Prognosen auch Fehler machen, erfasst und verarbeitet das Energiemanagement alle Energieflüsse im Gebäude und aktualisiert Prognosen regelmäßig, um bei Bedarf steuernd einzugreifen.
Prognosebasiertes Energiemanagement
Durch den Einsatz eines KI-gestützten prognosebasierten Energiemanagements, können Verbraucher (z.B. Elektroauto und Waschmaschine), Batteriespeicher und Erzeuger (z.B. Photovoltaikanlage auf dem Dach) so koordiniert werden, dass sie möglichst viel CO2-armen Eigenstrom verbrauchen und nicht alle gleichzeitig Strom aus dem Netz beziehen.
Credit:
DLR (CC-BY 3.0)
Coming soon …
In den kommenden Beiträgen möchten wir - das sind fünf Wissenschaftler/innen der Arbeitsgruppe Energiemanagement vom DLR-Institut für Vernetzte Energiesysteme - ausführen, wie KI uns bei der Beantwortung unserer Forschungsfragen unterstützt. Wir möchten euch zeigen, wie uns KI hilft, kostengünstige Erzeugungs- und Verbrauchsprognosen zu erstellen. Wir möchten veranschaulichen, wie es gelingt, einzelne Verbraucher aus dem Profil aller Verbraucher eines Gebäudes zu erkennen ("disaggregieren"), ohne alle einzeln messen zu müssen. Und wir möchten erklären, wie ein agentenbasiertes Energiemanagement dabei helfen kann, ein lokales Energiesystem so zu koordinieren, dass es optimiert betrieben wird.
Veranschaulichen möchten wir euch diese komplexen Themen anhand einer fiktiven Geschichte: Unsere Kollegin Emma (Energie Management Mitarbeiterin) erzählt, wie ein Tag in unserer Utopie innerhalb eines smarten Energiesystems aussieht. Wie wird es sein, wenn es für alle möglich ist, von unterwegs über das Smartphone die Waschmaschine anzuschalten, sobald es einen günstigen Stromtarif gibt? Oder wenn ich vom Smartphone informiert werde, dass jetzt der optimale Zeitpunkt zum Laden meines Elektroautos ist (weil gerade viel Photovoltaikerzeugung prognostiziert wurde) - und ich diesen Vorgang mit nur einem Knopfdruck starten kann?
