Um eine sichere und wirtschaftliche Energieversorgung in einem zunehmend komplexen Energiesystem zu gewährleisten, sind Anlagen- und Netzbetreiber auf zuverlässige Prognosen der erwarteten Energieerzeugung angewiesen. Verfahren der künstlichen Intelligenz (KI) ermöglichen es mit Hilfe von historischen Mess- und Prozessdaten, zukünftiges Verhalten von Erneuerbare-Energien-Anlagen vorherzusagen.

Transfer Learning – Wenn der KI die historischen Daten fehlen

Die Energiewende forciert die Transformation des Energiesektors und bringt mit dem Ausbau der Erneuerbaren Energien immer mehr neue Komponenten in das System. Dadurch kann es vorkommen, dass für neue oder geänderte Anlagen nur wenige oder gar keine Informationen vorliegen. Die üblichen Modelle des maschinellen Lernens können hier nicht angewendet werden, und alternative physikalische Modelle liefern nicht immer zufriedenstellende Ergebnisse.

Gemeinsam mit dem Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik (IEE), dem Fachgebiet Intelligente Eingebettete Systeme (IES) der Universität Kassel und dem Übertragungsnetzbetreiber 50Hertz forscht das Team der enercast aktuell im Projekt „Transfer Learning als essenzielles Werkzeug für die Energiewende“ (TRANSFER) an neuen Methoden für den automatisierten Wissenstransfer zwischen einzelnen Systemkomponenten im Energiesektor. Die zentrale Rolle spielt hierbei die Schaffung von allgemeingültigen Modellen des Transfer Learning, um das Wissen von bestehenden Komponenten auf neue oder sich verändernde, ähnliche Komponenten übertragen zu können. Im Projekt konzentriert sich das Team speziell auf die Netzeinspeisung neu installierter EE-Anlagen (Wind, PV und PV-Speicher) sowie die dynamischen Leistungsflüsse durch Transformatoren zwischen Hoch- und Höchstspannung.

Bei der Modellübertragung werden die Metadaten (etwa Anlagenstammdaten) der Quellmodelle hinsichtlich ihrer Ähnlichkeit mit denen des Zielmodells überprüft. Das Modell mit der größten Ähnlichkeit wird dann mit den Daten der neuen Anlage verknüpft, um Prognosen für diese Anlage zu erstellen.

Für die Zukunft gerüstet

Ziel des Projektes ist es, dass übertragbares Wissen möglichst automatisiert nutzbar gemacht wird, um robuste Zustandsbestimmungen und Prognosen für neue und sich verändernde Systemkomponenten zuverlässig und ohne großen Rechenaufwand erstellen zu können. Um die Anwendbarkeit in der Praxis zu gewährleisten, werden die neu entwickelten Methoden anhand realer Use-Cases und Datensätze mit den aktuell eingesetzten, mehrheitlich physikalischen Modellen verglichen und unter realen Rahmenbedingungen optimiert.

Unterstützt wird das Projekt TRANSFER durch das Bundesministerium für Bildung und Forschung mit einem Budget von 1,5 Millionen Euro.