NeuralPower

Ein ganzheitlicher Ansatz der Zuordnung und Prognose von Energiebedarfen sowie Steuerung des Verbrauchs unter Nutzung künstlicher Intelligenz.

Projektziel

Unser Energiesystem unterliegt aufgrund der laufenden Energiewende einer sehr hohen Dynamik und wird von vielen externen Faktoren (zum Beispiel dem Wetter) beeinflusst. Darüber hinaus hat die Einführung einer Smart-Meter-basierten IoT-Infrastruktur enorme Potenziale in der Planung des Energieverbrauchs eröffnet, die über virtuelle Kraftwerke hinaus bis auf die Verbraucherseite reichen. Diese neuen Potenziale können durch automatische, intelligente Auswertung mit KI erschlossen werden. Zudem ermöglicht der hohe Automatisierungs­grad durch emergente virtuelle Kraftwerke eine wirtschaft­liche Nutzung von sehr heterogenen Mikro-Kapazitäten im Netz zur Lastverlagerung. Dadurch wird eine gesteigerte Nutzung erneuerbarer Energien möglich, was einen signifikanten Beitrag zur Energiewende leisten kann.

In dem Projekt werden in diesem Kontext drei Pilotszenarien erforscht und deren Potenziale ermittelt:

Server und Kühlanlagen in Rechenzentren
Rechenintensive Prozesse werden dann angestoßen, wenn überschüssige Energie vorliegt, respektive vermieden, sofern Engpässe im Stromnetz vorliegen. KI wird dabei eingesetzt, um zu lernen, wie sich im individuellen Rechenzentrumssetup bestimmte Tasks in benötigte Rechenzeit und Stromverbrauch umrechnen lassen. Damit wird eine Aussteuerung unter Nutzung von Prognosen des Stromverbrauches möglich.

Kühlmöbel in Verbrauchermärkten
Tiefkühltruhen werden als thermische Energiepuffer genutzt. Dazu werden sie zum Zeitpunkt einer erhöhten Stromverfügbarkeit maximal her­untergekühlt und nutzen nachfolgend diese gepufferte Energie.

Gebündelte Mikro-Verbraucher in privaten Haushalten
Mit zunehmender Ausstattung von Privathaushalten mit intelligenten Messsystemen sehen wir den Roll-Out einer NeuralPower-App vor, mittels derer sich jeder Haushalt hinsichtlich seines Potentials als Bereitsteller von Kapazitäten flexibler Stromlast informieren und zum Handel registrieren kann. Durch die Ermittlung neuer Potentiale für den Einsatz virtueller Kraftwerke soll eine erhöhte Nutzung erneuerbarer Energien ermöglicht werden. In dem Projekt soll daher auch ein Anreizsystem zur Unterstützung der Energiewende entwickelt werden. Zudem können Stromspitzen im Energienetz vermieden werden, was zu einer erhöhten Netzstabilität beiträgt.

Projektlaufzeit
36 Monate (1.08.2020 – 31.07.2023)

Projektbudget
Projektvolumen: ca. 3,5 Mio. Euro
Fördervolumen: ca. 2 Mio. Euro (gesamt)     
543.007 Euro (Anteil InES) / zwei Wissenschaft­liche Mitarbeiter

Forschungziel

Das InES beschäftigt sich im Rahmen dieses Forschungs­projektes mit folgenden Themen:

Disaggregation von Energieverbrauchs­daten
Die gemessenen Energieverbrauchs-daten liegen aktuell fast ausschließlich als ein einzelnes aggregiertes Signal vor, das mehrere Verbraucher bündelt. Um Prognosen treffen zu können ist es daher notwendig, dieses aggregierte Signal in die einzelnen Bestandteile (Verbraucher) aufzuschlüsseln. Das InES beschäftigt sich mit der Disaggregation dieser Signale durch state-of-the-art Machine Learning-Methoden

Entwicklung adaptiver ML-Algorithmen und Umgang mit minderer Datenqualität
Im Umgang mit den gemessenen Sensordaten zu verschiedenen Energiesignalen sowie den externen Daten, die für Prognosen hinzugezogen werden, sind häufig nicht alle Datenquellen verfügbar oder liegen nur in minderer Qualität vor. Dazu werden durch das InES adaptive, robuste ML-Algorithmen entwickelt, die unter der Verfügbarkeit unterschiedlicher Datenquellen akkurate Prognosen liefern können und zudem ein hohes Niveau an Erklärbarkeit bieten.

Erklärbarkeit von ML-Modellen
Bei der Verwendung von ML-Modellen besteht häufig das Problem, dass es für Menschen nicht möglich ist, die Prognosen nachzuvollziehen. In vielen Bereichen ist es jedoch wichtig zu verstehen, wie die Vorhersagen eines Modells zu Stande kommen, wie zum Beispiel im Kontext dieses Forschungs­projekts, um die Akzeptanz von KI-Anwendungen zu erhöhen. Das InES beschäftigt sich damit, bereits trainierte Modelle nachträglich zu interpretieren, um die Verständlichkeit und Akzeptanz zu erhöhen.

Projekt­partner

  • MVV Energie AG
  • Theben AG
  • PrimingCloud GmbH
  • Theben AG
  • adelphi