Die größte Herausforderung bei der Umsetzung der Energiewende ist das Zusammenspiel von Produktion, Verbrauch und Speicherung. Das Stromnetz muss intelligent werden, Produzenten, Konsumenten und Speicher miteinander verbinden, um die erforderliche Energie immer genau dann bereitzustellen, wenn sie gebraucht wird. Künstliche Intelligenz wird es möglich machen.

Ohne künstliche Intelligenz ist die Energiewende nur schwer zu schaffen

Ein Szenario: Es ist ein Tag im Spätherbst, die Sonne geht um acht Uhr auf und um 18 Uhr unter. Es ist windig, Sonne und Wolken wechseln sich ab. Ganz unabhängig vom Wetter brauchen private Haushalte und Industrie unablässig Strom. An diesem Abend besonders viel, denn ein großes Fußballspiel steht an und wer kein Fußball sieht, genießt den Abend vor dem Computer oder Fernseher oder kocht etwas. Das Versorgungsnetz muss an diesem Tag zwei Probleme bewältigen: Eine Spitze bei der Nachfrage am Abend, während des Fußballspiels, und eine schwankenden Produktion durch das unbeständige Wetter.

Früher war das kein Problem. Kraftwerke, die fossile Energieträger zur Produktion nutzen, sind nicht nur grundlastfähig, sondern können problemlos auch in ihrer Leistung gedrosselt oder gesteigert werden. Wird kurzzeitig mehr Energie nachgefragt, zum Beispiel während des Fußballspiels am Abend, stellen die Kraftwerkbetreiber einfach das entsprechende Mehr an Energie zur Verfügung. Erneuerbare Energien sind eine größere Herausforderung. Sie schwanken je nach Witterung, müssen dabei aber weiterhin die fluktuierende Nachfrage im Netz bedienen. Andernfalls droht ein Ausfall des Stromnetzes.

Eine Versorgungsstruktur, die zu einem Großteil auf erneuerbaren Energien beruht, muss deshalb drei Herausforderungen meistern:

  1. Sie muss die Witterung und ihre genaue Auswirkung auf die produzierte Menge an Energie räumlich und zeitlich genau voraussagen können
  2. Sie muss den Stromverbrauch räumlich und zeitlich genau voraussagen können
  3. Sie muss beides, voraussichtliche Produktion und voraussichtlichen Verbrauch, in Echtzeit verarbeiten und auf allen Ebenen des Stromnetzes entsprechend reagieren

Künstliche Intelligenz bringt Nachfrage und Angebot von Energie zusammen

Der Einsatz von künstlicher Intelligenz ist angesichts dieser Anforderungen naheliegend. Der derzeit erfolgsversprechendste Ansatz ist Machine Learning, das sich für die Energiewende als äußerst nützlich erweist. So können auf Grundlage von vielen verschiedenen Faktoren Modelle berechnet werden, die die Produktion und den Verbrauch prognostizieren und damit die Voraussetzung schaffen, um die verfügbare Energie dynamisch an die Nachfrage anzupassen.

Dies ist nicht immer einfach. Nehmen wir einen Windpark an unserem oben beschriebenen Beispieltag. Der Betreiber kann zwar Erfahrungswerte darüber sammeln, wie viel Energie eine Windkraftanlage bei Windgeschwindigkeit X produziert. Was er nicht kann, ist Eingaben von einer Vielzahl unterschiedlicher Sensoren in Echtzeit verarbeiten und daraus Schlüsse für den Betrieb der Anlage ziehen. Hier hilft Machine Learning: Mit Hilfe eines neuronalen Netzes können millionfache Daten aus Sensoren verarbeitet werden. Das neuronale Netz lernt, Muster in diesen Daten zu erkennen. Hierauf kann wiederum in Echtzeit reagiert werden. So lässt sich der Anstellwinkel der Rotorblätter von Windkraftanlagen dynamisch an den Wind anpassen, zum Beispiel an Böen oder an plötzliche Änderungen der Strömungsrichtung. Dies wiederum beeinflusst die Produktion des Windrads. Es kann auf maximalen Output gefahren werden oder in der Leistung gedrosselt, indem es den Winkel der Rotorblätter entsprechend verstellt.

Auf diese Weise macht künstliche Intelligenz Windparks flexibel und hilft, sie in eine Versorgungsstruktur einzubinden, die dynamisch auf Schwankungen der Nachfrage reagieren muss. Auch der Ertrag von Solaranlagen lässt sich mit Hilfe von künstlicher Intelligenz prognostizieren und an die Nachfrage im Stromnetz anpassen. Folgend eine schematische Darstellung eines neuronalen Netzes, das in Machine Learning zur schichtweisen Verarbeitung von Eingaben genutzt wird:

Neuronale Netze

Verbrauchsspitzen exakt voraussehen

Auf der Verbrauchsseite kommt künstliche Intelligenz ebenfalls zum Einsatz. Auch hier besteht die Aufgabe darin, in einer Vielzahl an Daten Muster zu erkennen und von diesen zu lernen. Etwa am Tag des Fußballspiels, als zur Halbzeitpause Millionen WC-Spülungen betätigt werden, die Pumpen in den Wasserwerken kräftig arbeiten müssen. In einem Smart-Grid können diese Erkenntnisse von Systemen mit künstlicher Intelligenz genutzt werden, um auf der Angebotsseite, also bei den kommerziellen Kraftwerken und bei den Prosumenten, entsprechend zu reagieren und mehr Energie bereitzustellen. Alternativ können Reserven vorgehalten werden – zum Beispiel in Solarspeichern oder Pumpspeicherkraftwerken. Auch die Einbindung von solchen Energiespeichern in das Versorgungsnetz ist ohne den Einsatz intelligenter Systeme nicht möglich.

Künstliche Intelligenz als Energiemanagement-Lösung für zu Hause

Das alles geschieht unbemerkt von Verbrauchern. Selbst wer eine Solaranlage auf dem Dach hat, wird von der Arbeit künstlicher Intelligenz im Versorgungsnetz wenig merken. Anders ist es bei Anwendungen direkt im Haus. Auch hier wird maschinelles Lernen in Zukunft vermehrt zum Einsatz kommen, um erneuerbare Energien flexibler nutzen zu können. So können intelligente Thermostate zum Beispiel lernen, wie die Heizkörper in den verschiedenen Räumen geregelt werden müssen, um die Wohlfühltemperatur der Bewohner zu halten und dabei ein Optimum an Energieeffizienz zu erreichen. Bei Anwendungen von künstlicher Intelligenz in den Haushalten geht es vor allem darum, den Komfort zu steigern und dabei eine möglichst hohe Energieeffizienz zu erreichen. So arbeiten intelligente Systeme schlussendlich auf allen Ebenen, tauschen ständig Informationen miteinander aus und lernen selbstständig Entscheidungen zu treffen, mit denen der Energiebedarf sicher, nachhaltig und mit steigendem Komfort für die Kunden gedeckt werden kann.