indigo / Manfred Zentsch
Insbesondere durch den Ohmschen Widerstand entsteht ein Netzverlust, für dessen Ausgleich die Netzbetreiber zuständig sind. Für die kosteneffiziente Beschaffung der Verlustenergie kommt nun auch Künstliche Intelligenz zum Einsatz.
Der Artikel kompakt zusammengefasst
■ Für eine kosteneffiziente Beschaffung der Netzverluste ist eine treffsichere Prognose notwendig.
■ Für das Übertragungsnetz von TenneT konnte nun die bisher verwendet Day-ahead-Prognoselösung für Netzverluste entscheidend verbessert werden.
■ Möglich wurde dies durch eine höhere Datenverfügbarkeit, die mit neuen KI-Methoden zuverlässig interpretiert werden kann.
Der Ausbau der Stromerzeugung mit erneuerbaren Energien stellt die Übertragungsnetzbetreiber vor wachsende Herausforderungen. Ein Aspekt dabei sind die bei der Übertragung elektrischer Energie entstehenden Verluste. Für eine kosteneffiziente Beschaffung der Netzverluste ist eine Prognose notwendig. Prognoseexperten des Fraunhofer IOSB-AST haben im Auftrag des Übertragungsnetzbetreibers TenneT durch den Einsatz von Künstlicher Intelligenz (KI) deutliche Verbesserungen bei Netzverlustprognosen erzielt.
Bereits seit vielen Jahren arbeiten beide Akteure bei hochspezialisierten Aufgaben im Bereich Prognose, Redispatch oder Datenaufbereitung eng zusammen. Die bisherige Day-ahead-Prognoselösung für Netzverluste wurde nun entscheidend verbessert, da zum einen deutlich mehr Daten in besserer Auflösung (zeitlich / räumlich) zur Verfügung stehen und zum anderen neue KI-Methoden helfen können, die komplexen Daten zuverlässig zu interpretieren.
Modell nutzt Deep-Learning-Ansätze
In einem ersten Schritt untersuchten die Energieexperten des Fraunhofer IOSB-AST, wie der vorhandene Datenpool (Wetterdaten, Einspeisung erneuerbarer Energien, Netzauslastung) sinnvoll erweitert und ergänzt werden kann. So konnten beispielsweise neben den regelzonenbezogenen Daten zusätzliche Zeitreihen einzelner Bundesländer in das System integriert werden.
In einem zweiten Schritt wurde ein neues Prognosemodell mit angepasster Modellarchitektur und Datenvorverarbeitung implementiert, das seit Juli 2023 als Testsystem bei TenneT im Einsatz ist. Das Modell basiert auf Deep-Learning-Ansätzen und bietet gegenüber klassischen Vorhersagemethoden den Vorteil, dass nicht lineare Zusammenhänge bei der Entstehung von Netzverlusten und dem Zusammenhang zu exogenen Einflussgrößen besonders gut angelernt werden können.
Verbesserung um 18 %
Obwohl TenneT kontinuierlich an der Verbesserung datengetriebener Prozesse arbeitet, konnte der Übertragungsnetzbetreiber mit der neuen Modellkonfiguration für die Netzverlustprognose und dem Testsystem des Fraunhofer IOSB-AST eine Verbesserung um 18 % gegenüber der bisherigen Lösung realisieren.
TenneT-Projektleiter Christoph Strehler kann dadurch zukünftig Kosten bei der Beschaffung von Verlustenergie am Energiemarkt einsparen. Weitere, sukzessive Verbesserungen zur Optimierung der Eingangsdaten, der Vorverarbeitung sowie Performanceoptimierungen werden derzeit geprüft. Die finale Überführung in das Produktivsystem ist noch im Jahr 2024 geplant. www.iosb-ast.fraunhofer.de
Fachberichte mit ähnlichen Themen bündelt das TGA+E-Dossier Elektrifizierung
