Die zunehmenden Anteile von Sonnen- und Windenergie erschweren eine stabile Stromversorgung. Diese wetterabhängigen Schwankungen gleicht ein hochmodernes KI-System aus, das Forschende des FIAS entwickelten. Es gewährleistet eine effiziente und zuverlässige Verteilung von Strom aus Quellen wie Sonne und Wind, um den Energiebedarf auch bei veränderlichen Wetterbedingungen zu decken und gleichzeitig die Kosten zu minimieren.

In einer bahnbrechenden Studie präsentiert Doktorand Chen Li unter Leitung von FIAS-Fellow Kai Zhou eine neue KI-Technologie, die den Einsatz erneuerbarer Energien in das Stromnetz revolutionieren könnte. Denn die Integration erneuerbarer Energiequellen wie Wind- und Sonnenenergie ist nicht ganz einfach. Wetterveränderungen wirken sich schnell auf die Stromerzeugung aus und machen häufige Anpassungen des Stromnetzes erforderlich. Beispielsweise verursacht schon eine einzige Wolke über einer Photovoltaik-Anlage starke Stromschwankungen innerhalb kürzester Zeit. Herkömmliche Anwendungen sind von dieser Variabilität überfordert, insbesondere große Energiesysteme. Das FIAS-Forschungsteam entwickelte eine hochmoderne, physikalisch fundierte Methode des maschinellen Lernens, die sich schnell an veränderte Bedingungen anpassen kann und damit ideal für Echtzeitanwendungen ist.

Auf der Grundlage von Stromnachfrage und Wettermuster bietet das System eine Lösung zum umgehenden Ausgleich der Schwankungen. Grundlage sind neuartige neurale Netzwerke, die auf grafischen Daten zu Wetter und Energiebedarf beruhen, die Graph-Attention-Networks. Sie identifizieren die Schlüsselknoten im Stromnetz, die das Muster der Stromabgabe maßgeblich beeinflussen. Die Methode verbessert zudem die Transparenz bei der KI-Entscheidungsfindung und erlaubt Einblicke in die Art und Weise, wie neuronale Netze Daten interpretieren, um optimale Entscheidungen zur Energieverteilung zu treffen.

Die aktuelle Veröffentlichung zeigt die Überlegenheit dieser Methode gegenüber bestehenden da­ten­gesteuerten Techniken in zwei unterschiedlich großen Szenarien für erneuerbare Energie­sys­te­me. Der neue Ansatz liefert nicht nur schnelle und praktikable Lösungen, sondern ermöglicht auch die Interpretierbar­keit, die für Verständnis und Vertrauen in KI-basierte Systeme entscheidend ist.

Noch befindet sich diese Technologie in einem frühen Stadium. Sie wurde hauptsächlich in kleinen und mittelgroßen Stromnetzen getestet. „Sie kann die modernen Energiesysteme verändern“, ist Chen Li überzeugt: „Sie ermöglicht die nahtlose Integration von dezentralen Energiequellen ins Netz, also vor allem Solarzellen und Windturbinen“. Dadurch werden erneuerbare Energien zuver­lässiger und leichter einsetzbar. Das System verbessert die Effizienz, Zuverlässigkeit und Nachhal­tigkeit der Stromverteilung und ermöglicht ein intelligentes Management sowie eine regelmäßige Anpassung des Stromnetzes. Darüber hinaus schafft es die Grundlage für eine wirtschaftliche Optimierung, indem es physikalische Faktoren und die Dynamik des Energiemarkts berücksichtigt.

„Wenn wir diese Technologie weiter erforschen und verbessern, kommen wir einer saubereren, grüneren und nachhaltigeren Zukunft näher“, sagt Physiker Li. Das Team will das System weiter entwickeln, um mit Hilfe von KI auch die Energiespeicherung zu optimieren.

Publikation: Chen Li, Alexander Kies, Kai Zhou, Markus Schlott, Omar El Sayed, Mariia Bilousova, Horst Stoecker, Optimal Power Flow in a Highly Renewable Power System Based on Attention Neural Networks, Applied Energy 359 (2024) 122779, https://doi.org/10.1016/j.apenergy.2024.122779