Erneuerbare Energiequellen wie Windkraftwerke oder Photovoltaik-Anlagen sind meist wetterabhängig und liefern nicht konstant dieselbe Menge Energie. Diese Quellen verlustfrei ins Stromnetz einzubinden, erfordert eine flexible Kontrolle von steuerbaren Energiequellen und -speichern. Wird beispielsweise mehr Energie ins Stromnetz eingespeist, als aktuell verbraucht wird, geht sie verloren. Zudem steigt durch unsere generell wachsende Infrastruktur der Bedarf an automatisierter Datenanalyse und Smart Grids, um die Stromverteilung zu optimieren oder die Stromnutzung zum Beispiel im Gebäudesektor zu automatisieren.1

Lucas Richter und seine Kollegen betrachten den aktuellen Forschungsstand von KI im Bereich der Energieversorgungskette und fassen die Fortschritte der letzten Jahre zusammen. In allen Teilen der Energieversorgungskette finden sie Anwendungsmöglichkeiten für automatisierte Systeme.

Durch die Modellierung von Energiegewinnungsprozessen mithilfe von maschinellem Lernen kann eine kontinuierliche, automatisierte und somit optimale Energiegewinnung ermöglicht werden. Denn schon vor der tatsächlichen Energiegewinnung kann KI Windströmungen oder Sonneneinstrahlung für einen bestimmten Ort vorhersagen und somit bei der Bauplanung von Windrädern oder Photovoltaik-Anlagen unterstützen. 

Ein anderes Beispiel für KI in der Versorgungskette ist ihr Einsatz in Form von Smart Grids. Hierdurch kann die Verteilung der im Stromnetz verfügbaren Energie möglichst verlustfrei realisiert werden. KI hilft beispielsweise bei der Vorhersage der Windstärke und -richtung sowie der Sonneneinstrahlung und des Strombedarfs von einzelnen Haushalten oder ganzen Teilen des Stromnetzes. Darauf basierend können die Verteilung des Stroms besser geplant und Energiespitzen oder Spitzenlasten vermieden werden.

Eine Studie der Internationalen Energieagentur (IEA) ergab, dass der Einsatz von KI im Energiesektor mehr als 10 Prozent der Stromkosten und nahezu 40 Prozent der CO2-Emissionen einsparen könnte. Die IEA betrachtet darin ein Szenario, in dem ein auf maschinellem Lernen basierter Algorithmus in Echtzeit entscheidet, wann die Energiebelastung in einem Gebäude heruntergefahren werden soll. Der Algorithmus hat Zugriff auf Messdaten der vergangenen Tage, aktuelle Energiepreise und Informationen zum CO2-Ausstoß der verfügbaren Energiequellen im Netzwerk.

Richter und Kollegen stellen fest, dass maschinelles Lernen in jedem Bereich der Energieversorgung einen positiven Effekt erzielen kann. Die KI-Systeme spielen auch eine wichtige Rolle bei der Früherkennung von Anomalien wie zum Beispiel bei Stromausfällen, illegalem Abgreifen von Strom oder Hackerangriffen2 auf das Stromnetzwerk.

Auf Grundlage des aktuellen Forschungsstands geben Richter und seine Kollegen einen Ausblick auf eine vollständig automatisierte Energieversorgungskette, die ihrer Meinung nach schon in den nächsten Jahren technisch möglich sein wird.

Die Stabilität von KI-Systemen spielt bei der Frage nach einer vollautomatisierten Energieversorgungskette eine wichtige Rolle. Bisher wurden die Systeme für einzelne Prozesse in der Kette entwickelt und eingesetzt. Diese sind bereits stabil. Damit aber auch eine vollständige Automatisierung stabil ist, müssten die einzelnen Prozesse präzise aufeinander abgestimmt werden. Die Entscheidungen der maschinellen Lernalgorithmen in den einzelnen Prozessen zu verstehen, ist hierfür essentiell. Dank des Fortschritts in der KI-Forschung, insbesondere im Bereich der erklärbaren KI, rücke dieses Ziel in greifbare Nähe.