Energie und KI

Gudrun sprach im März 2020 mit Nicole Ludwig. Sie ist eine
Kollegin am KIT am Campus Nord und gehört dem Institut für
Automation und angewandte Informatik an. Sie war Mitglied des DFG
Graduiertenkollegs Energiezustandsdaten Informatikmethoden zur
Analyse, Erfassung und Nutzung und ist dabei, ihre Promotion
abzuschließen. Im Studium wurde sie von den Themen der
Ökonometrie und Statistik eingefangen und von der Freude, aus
empirischen Daten verlässliche Ergebnisse ableiten zu können. Sie
hat schon in ihrer Bachelorarbeit Maschinelles Lernen für
Prognosen benutzt. Deshalb war es sehr spannend für sie, diese
Kenntnisse und ihre Freude am Thema in das Graduiertenkolleg zu
Energiedaten und Informatik einzubringen.


Als Gesellschaft müssen wir in naher Zukunft eine
Energieproduktion ohne fossile Brennstoffe erreichen. Es ist
jedoch nötig, beim Nutzen von erneuerbaren Energien im Vergleich
zu konventioneller Energieerzeugung umzulernen, um einerseits für
eine stabile Versorgung von Wirtschaft und Haushalten zu sorgen
und andererseits dabei alle Lasten der nötigen Veränderungen fair
zu verteilen.


Es gibt zwei Möglichkeiten, die Energieproduktion zu optimieren.
Zum einen können wir den Produktionszeitplan besser auf die
Nachfrage abstimmen. Zum anderen können wir das
Verbrauchsverhalten ändern, um eine optimale Versorgungsstrategie
zu unterstützen. Traditionell kennt man Prognosen für die
Energienachfrage in unterschiedlichen Zeithorizonten und macht
diese zur Grundlage für Produktionspläne. Mit einer zunehmenden
und sich ändernden Menge an Variablen, die das System
beeinflussen, sind perfekte Vorhersagen jedoch sehr unrealistisch
und wahrscheinlich nicht der richtige Ansatz für die Zukunft.


Man muss sich hierzu nur vor Augen halten, dass die Energieernte
sowohl bei Windkraft als auch für Solarstrom stark vom Wetter
abhängen. Wenn auch die Wettervorhersage schon sehr viel besser
geworden ist, so ist es doch noch nicht möglich, auf ihrer
Grundlage hinreichend sichere Vorhersagen für die
Energieerzeugung machen zu können. Andererseits gibt es heute
auch bessere Möglichkeiten, die Energieabnahme zumindest im
Prinzip von außen zu steuern. Das was früher als Nachtstrom die
Abnahme von Stromspitzen mit niedrigen Preisen versüßte, kann
heute ganz regional und sich täglich anpassend nicht nur in
Betrieben sondern sogar im Haushalt steuern, wann beispielsweise
die Waschmaschine läuft oder ein Warmwasserspeicher lädt. Bald
kann auch die Flotte an E-Fahrzeugen mit ihren Akkumulatoren
Energie zum passenden Zeitpunkt abnehmen und auch in
Spitzenzeiten wieder abgeben.


Die Gesetzgebung ist hier noch nicht so weit wie die technischen
Möglichkeiten. Aber man muss sicher auch noch einmal gründlich
darüber nachdenken, in welcher Art und Weise man Personen dazu
zwingen will, Daten dafür zur Verfügung zu stellen und wie man
sie anschließend vor dem Missbrauch dieses Wissens durch
Unbefugte schützen kann. Schon heute ist die Energieversorgung
viel verwundbarer durch Angriffe von Hackern als wir uns
eingestehen wollen.


Prinzipiell liegen aber - schon allein in Bezug auf Wetterdaten -
aber auch in feingranularem Wissen über Energieverbrauch - sehr
viele Daten vor, die man nutzen kann, um neuartige Prognosen zu
erarbeiten. Man geht also über von rein Physik-basierten Modellen
und Expertenwissen über zu neuronalen Netzen und Datamining.
Diese arbeiten natürlich nicht sinnvoll ohne den Expertenblick,
denn welche Fragen die vorliegenden Daten sinnvoll und recht
sicher beantworten können, ist naiv geplant sicher nicht möglich.


Nicole gefällt es gut, an der Schnittstelle sehr
unterschiedlicher Wissensgebiete (Wirtschaft,
Physik/Meteorologie, Ingenieurswissenschaft und Informatik) zu
forschen.


Literatur und weiterführende Informationen

L. Barth e.a.: How much demand side flexibility do we need? -
Analyzing where to exploit flexibility in industrial processes
9th ACM International Conference on Future Energy Systems (ACM
e-Energy), 2018, Karlsruhe, Germany

J.A. Gonzalez Ordiano e.a.: Concept and benchmark results for
Big Data energy forecasting based on Apache Spark. Journal of Big
Data 5, Article number: 11 (2018)

R.R Appino e.a. : On the use of probabilistic forecasts in
scheduling of renewable energy sources coupled to storages
Applied Energy 210 (2018)

L. Barth e.a.: A comprehensive modelling framework for demand
side flexibility in smart grids Computer science - research and
development 33,13-23 (2018)

M. Lösch: Digitalisierte Stromnetze und Smart Meter in
Deutschland, Ein Überblick, Vortrag auf der GPN17, 2017.

B. Becker, F. Kern, M. Lösch, I. Mauser, H. Schmeck: Building
Energy Management in the FZI House of Living Labs, In Proceedings
of the D-A-CH Conference on Energy Informatics (pp. 95-112).
Springer International Publishing, 2015.

M. Lösch, D. Hufnagel, S. Steuer, T. Faßnacht, H. Schmeck:
Demand Side Management in Smart Buildings by Intelligent
Scheduling of Heat Pumps, In Proceedings of the IEEE
International Conference on Intelligent Energy and Power Systems
(IEPS), 2014.

T. Fassnacht, M. Lösch, A. Wagner: Simulation Study of a
Heuristic Predictive Optimization Scheme for Grid-reactive Heat
Pump Operation, In Proceedings of the REHVA Annual Conference,
2015.



Podcasts

S. Coşkun, G. Thäter: Energy Markets, Gespräch im
Modellansatz Podcast, Folge 190, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2018.

C. Harvey, G. Thäter: Micro Grids, Gespräch im Modellansatz
Podcast, Folge 186, Fakultät für Mathematik, Karlsruher Institut
für Technologie (KIT), 2018.

Z. Ahamed, G. Thäter: Electric Vehicles on the Grid, Gespräch
im Modellansatz Podcast, Folge 183, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2018.

G. Thäter, B. Pousinho: Weather Generator, Gespräch im
Modellansatz Podcast, Folge 148, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2017.

M. Lösch, S. Ritterbusch: Smart Meter Gateway Gespräch im
Modellansatz Podcast, Folge 135, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2017.



M. Völter, V. Hagenmeyer: Stromnetze, ein Überblick, omega
tau Podcast, Episode 246, 2017.

J. Müller-Quade, A. Rupp, B. Löwe, K. Bao: Kryptographie und
Privatssphäre im Stromnetz, Feature von Jan Rähm im KIT.audio
Forschungspodcast des Karlsruher Instituts für Technologie, Folge
6, 2017.

S. Seier, T. Alexandrin: Mieterstrom-Krimi, Abgrund oder
Cliffhanger? Episode 16 im Blindstrom Podcast, 2017.

M. Dalheimer, P. Hecko: Der Strom, Folge 5 im Pietcast, 2014.