Gehen Sie direkt zum Inhalt der Seite Gehen Sie zur Hauptnavigation Gehen Sie zur Forschung

Wie viel EE-Strom erzeugt wird, lässt sich dank KI immer präziser vorhersagen, um so die Einspeisung in das Verbundnetz zu erleichtern.

Am 26. 2. 2019 teilte Google einen neuen Erfolg seines KI-Programms DeepMind mit. Keinen neuen Sieg über einen Schach- oder Go-Weltmeister, sondern eine sehr viel alltäglichere Anwendung: die Vorhersage der Stromproduktion eines Windparks. Die Anlage mit 700 Megawatt Leistung befindet sich in der Mitte der Vereinigten Staaten am Hauptstandort der Rechenzentren von Google.

Gestützt auf ein mit Wettervorhersagen und historischen Turbinendaten gespeistes neuronales Netz ist es DeepMind gelungen, den winderzeugten Strom 36 Stunden im Voraus vorherzusagen. Auf dieser Grundlage konnte der Windpark seine Lieferleistung optimieren und sich verpflichten, eine bestimmte Menge Strom zu einer bestimmten Zeit bereitzustellen.

Gegenüber einer Basisannahme ohne jegliche terminliche Einspeiseverpflichtung konnte die Google-Tochter mit Hilfe dieses Machine-Learning-Systems den Wert des gelieferten Stroms um 20 Prozent erhöhen.

Eine Frage der wirtschaftlichen Verwertung

Diese Meldung ist deshalb so wichtig, „weil es für die wirtschaftliche Nutzung von EE-Strom wesentlich ist, die erzeugten Megawattstunden vorherzusagen“, analysiert Antoine de Broves, Technical & Innovation manager bei Omexom, der Energiewende-Marke von VINCI Energies.

„Aufgrund der intermittierenden Erzeugung von Strom aus erneuerbaren Energien ist es für eine wirtschaftliche Nutzung wesentlich, die erzeugten Megawattstunden vorhersagen zu können.“

Energieblöcke werden auf dem Strommarkt in Perioden von einem Jahr, einem Quartal, einer Woche oder einem Tag, jeweils am Vortag für den Folgetag oder sogar am Tag selbst („Intraday-Handel“), verhandelt. Je weiter weg die Verhandlung vom Liefertermin liegt, desto höher ist gewöhnlich der erzielte wirtschaftliche Wert.

„Ob Windkraft, Photovoltaik oder Wasserkraft, alle drei sind wetterabhängig. Es kommt hier auf Rechenleistung und Datenanalyse an“, fügt er hinzu.

Diese Frage ist umso bedeutender, als jede nicht gelieferte Megawattstunde Vertragsstrafen nach sich zieht, die in Frankreich von der Energie­regulierungsbehörde CRE über den Netzbetreiber RTE verhängt werden, der für die Balance der zu- und abfließenden Energieströme zuständig ist.

Immer stärker perfektionierte IT-Systeme

Das Fallbeispiel DeepMind zeigt die Perfektionierung der Modelle, um Wetter­- in Stromerzeugungsvorhersagen umzuwandeln. Die KI-Lernkurve greift.

Diese Systeme zur kurzfristigen Vorhersage von Produktionsschwankungen stützen sich auf Satellitenbilder und Datenanalysen von Wolken, Tiefdruckgebieten und Luftmassen. Weitere Datenquellen sind Windmesser auf Masten im Vorfeld der Windparks, die Schwankungen von Windstärke und Windrichtung registrieren, und Fish-Eye-Kameras, die verfolgen, in welche Richtung die Wolken ziehen. So lässt sich ein möglicher Blackout durch Anzapfung zusätzlicher Energiequellen vermeiden.

Omexom geht sogar noch weiter: „Zusätzlich zu den Forecast-Modulen, die wir in den Anlagen einbauen, die wir für unsere Kunden über spezialisierte Dienstleister betreuen, bieten wir noch eine weitere Leistung an: Wir speichern Energie, um ein Produktionsmanko auszugleichen oder einen eventuellen Überschuss später zu nutzen“, so Antoine de Broves, der ein Solarkraftwerk auf Martinique und eine Photovoltaikanlage auf Agrarflächen in Korsika als Beispiele angibt.

Dank künstlicher Intelligenz wird es leichter, erneuerbare Energien vorherzusagen und folglich wirtschaftlich zu nutzen. Die Vorteile einer KI-gestützten Optimierung sind für die Energieproduzenten jedoch nicht nur finanzieller Art. Durch weniger Abhängigkeit von Zufallsvariablen erhöht sich die Glaubwürdigkeit dieser neuen Energiequellen und die Versorgungssicherheit des Gesamtsystems. Und so finden erneuerbare Energien wiederum größere Akzeptanz im Energiemix.

16/01/2020