Motivation
Die Nutzung und der Austausch von Informationen spielen bei der Digitalisierung im Rahmen der Energiewende eine essentielle Rolle, um sowohl etablierte als auch neue Prozesse innerhalb einer sich verändernden Energielandschaft gezielt verbessern zu können. Der Betrieb eines Energiesystems kann als variabler Prozess verstanden werden, in dem regelmäßig neue infrastrukturelle Komponenten wie EE-Anlagen (Erneuerbare Energien: Photovoltaik- und Windenergieanlagen) und Transformatoren dem Netz hinzugefügt oder aus diesem entfernt werden. Die stetigen Veränderungen bestehender Anlagen und die wachsende Anzahl an Komponenten und Stakeholdern innerhalb des Energiesystems führen zu einer enormen Steigerung der Komplexität und Rechenkapazität im Hinblick auf die Modellierung und Berechnung von Systemzuständen. Für etablierte Prozesse und Systemkomponenten liegen meist genügend Informationen vor, um diese modellieren zu können. Verfahren der Künstlichen Intelligenz (KI) haben sich für die Modellierung bisher bereits oft bewährt, wenn ausreichend Informationen in Form von historischen Mess- und Prozessdaten zur Verfügung standen. Die neue Herausforderung liegt jedoch darin, zuverlässige Modelle für neu integrierte Systemkomponenten und -prozesse automatisiert zu erstellen, wenn dazu nur wenige bis keine Informationen vorliegen.
Ziele und Vorgehen
Ziel des Vorhabens „TRANSFER“ ist es, Methoden und Ansätzen von maschinellen Wissenstransfer zu entwickeln, um die Netzeinspeisung neu installierter EE-Anlagen sowie die dynamischen Leistungsflüsse durch Transformatoren zwischen Hoch- und Höchstspannung modellieren und prognostizieren zu können. Dazu sollen allgemeingültige Modelle des Transfer Learning zum automatisierten Wissenstransfer zwischen einzelnen Systemkomponenten erstellt werden. Die Modelle werden vorab geschätzte und im Laufe des Betriebs überprüfte Ähnlichkeiten zwischen Systemkomponenten erkennen und nutzen, um zuverlässige und nachvollziehbare Lösungen z.B. für Prognosen zu generieren.
Innovationen und Perspektiven
Die entwickelten Modelle werden anhand drei realer Use-Cases (Windparks, Photovoltaikspeichersysteme und Leistungsflüsse durch Transformatoren) und Datensätze aus dem energiewirtschaftlichen Themenfeld erprobt und an anwendungsnahen Prototypen demonstriert. Das beteiligte KMU erwartet, dass die neu zu entwickelnde Lösung einen großen Mehrwert für Endkunden bietet und so die Position des KMU am Markt sichert bzw. stärkt.