Die Rolle von Künstlicher Intelligenz (KI) bei der Realisierung der Energiewende und der Schaffung einer effizienten und zugleich klimaneutralen Energieversorgung wird immer wichtiger. Da die Energiesysteme in Zukunft noch vielfältiger werden, brauchen wir mehr intelligente Steuerungssysteme. Ihre Aufgabe ist es, die unterschiedlichen erneuerbaren Stromquellen wie Windenergie, Photovoltaik, Wasserkraft oder Brennstoffzellen-Kraft-Wärme-Kopplung mit den verschiedenen Energieverbrauchssektoren wie Strom, Gebäude- und Prozesswärme sowie Elektromobilität zu vernetzen. Dazu gehört auch die Erzeugung von grünem Wasserstoff via Elektrolyse.

Bei der Energieversorgung mit einem fluktuierenden produzierenden Energiesystem, das auf erneuerbaren Quellen basiert, werden präzise Vorhersagen von Stromerzeugung und Stromverbrauch immer wichtiger, um das Energiesystem in der Balance zu halten. Das ZSW entwickelt in diesem Kontext seit vielen Jahren innovative Verfahren und Methoden der KI sowie des Maschinellen Lernens (ML). Sie kommen in Zusammenarbeit mit Industriepartnern oder als Dienstleistungsangebot zur Unterstützung der Energiewende zum Einsatz.   

Künstliche Intelligenz ist auch in der energie- und ressourceneffizienten Gestaltung von industriellen Fertigungsprozessen von Bedeutung. Mit Hilfe von KI können nicht nur Prozesse modelliert und optimiert, sondern auch die Qualitätskontrolle unterstützt und der Produktionsausschuss minimiert werden.

Ansprechpartner

Anton Kaifel
+49 711 78 70-238

Ansprechpartner

Dr. rer. nat. Frank Sehnke
+49 711 78 70-303
Anwendung KI-Methoden

// Regionales KI-Lab für Erneuerbare Energien

Künstliche Intelligenz (KI) kommt in der Energiewendebranche immer häufiger zum Einsatz. Selbstlernende Verfahren helfen, die Wind- und Solareinspeisung besser vorherzusagen oder Produktionsprozesse von Photovoltaikmodulen, Batterien und Brennstoffzellen zu optimieren. Besonders kleine und mittlere Unternehmen nutzen die Technologien der KI jedoch noch zu selten. Das ZSW entwickelt seit vielen Jahren im Rahmen von Forschungs- und Entwicklungsprojekten im Bereich der Erneuerbaren Energien innovative Verfahren und Methoden der KI bzw. des Maschinellen Lernens (ML).  

Das ZSW hat im April 2020 das vom Land Baden-Württemberg geförderte Projekt „Regionales KI-Lab für Erneuerbare Energien“ gestartet. Ziel des KI-Labs ist vor allem die Unterstützung kleiner und mittlerer Unternehmen in BW, um mit künstlicher Intelligenz neue Produkte und Dienstleistungen anbieten zu können und damit einen Wettbewerbsvorteil zu erlangen. Sollten Sie Interesse an einer Beratung haben, wie Sie mit Maschinellem Lernen mehr aus Ihren Daten machen können, dann melden Sie sich bei uns. Die Beratung und erste Anwendung von maschinellen Lernverfahren mit Ihren Daten sind im Rahmen des KI-Labs für Sie kostenlos. Wir freuen uns auf Ihre Fragen und Ihre Kontaktaufnahme.

Einspeiseprognosen

// Aktuellste Algorithmen maschineller Lernverfahren

Der Anteil fluktuierender erneuerbarer Energiequellen an unserer Stromversorgung nimmt stetig zu. Die zeitlich hochaufgelöste Vorhersage der eingespeisten Leistung wird deshalb immer wichtiger. Schon jetzt sind Vorhersagen der Wind-, Photovoltaik- und Wasserkraft-Einspeisung notwendige Parameter für das Management von Übertragungs- und Verteilnetzen.

Das ZSW erforscht anwendungsnah Technologien, die eine genauere Vorhersage des komplexen Zusammenspiels ermöglichen, das sich aus Wettermodell-Prognosen, Satellitendaten, meteorologischen Messungen sowie historischen und zukünftigen Wind- bzw. Solar- und Wasserkrafterträgen eines Standorts oder einer Region ergibt.

Hierbei spielen aktuellste Algorithmen maschineller Lernverfahren eine wichtige Rolle. Sie haben die Fähigkeit, physikalisch berechnete Wind-, Sonneneinstrahlungs- oder Leistungsvorhersagen nochmals entscheidend zu verbessern, indem sie die Interaktion der zahlreichen Parameter, die sich unterhalb der Auflösung physikalischer Modelle bewegen, aus langjährigen Messzeitreihen erlernen und auf die jeweils aktuelle Wettersituation anwenden. Auch systematische Abweichungen, wie sie sich stets in physikalischen Modellen finden, werden hierbei automatisch korrigiert.

Prognose & Bilanzierung

// Prognose und Bilanzierung

Die Arbeitsgruppe Simulation & Optimierung (SimOpt) am ZSW hat langjährige Erfahrungen in den Bereichen Meteorologie, Satellitendatenverarbeitung und Windleistungsvorhersage. Hier hat die Arbeitsgruppe in den vergangenen Jahren eine Vielzahl von internationalen und nationalen Projekten erfolgreich koordiniert und bearbeitet. 

Als Ergebnis des vom BMUB geförderten Projektes WinReNN betreibt das ZSW zusammen mit der Firma EWC in Karlsruhe seit mehr als drei Jahren ein operationelles Windleistungs-Prognosesystem. Weiterhin hat das ZSW ein PV-Leistungsprognosesystem entwickelt, das aktuell zusammen mit EWC für den operationellen Betrieb vorbereitet wird. Viele Arbeiten der Gruppe SimOpt bei der Prognose von Wind- und PV- Erzeugungsleistungen profitieren von ihrer großen Erfahrung mit maschinellen Lernverfahren und von der effizienten Nutzung sehr leistungsfähiger Rechnerarchitekturen auf der Basis parallelisierter Grafikprozessoren. 

Die PV-Ertragsberechnungen bei bekannter oder vorausberechneter Einstrahlung profitieren von den langjährigen Ertragsmessungen bei den verschiedensten PV-Modultechnologien auf dem Solar-Testfeld Widderstall des ZSW. Dies schließt langjährige Auswertungen von direkter und diffuser Strahlung sowie des Spektrums ein, die Ertragsberechnungen für verschiedene Ausrichtungen von PV-Generatoren ermöglichen.

Diese Website verwendet Cookies und Drittinhalte

Auf unserer Website verwenden wir Cookies, die für die Darstellung der Website zwingend erforderlich sind. Mit Klick auf „Auswahl akzeptieren“ werden nur diese Cookies gesetzt. Andere Cookies und Inhalte von Drittanbietern (z.B. YouTube Videos oder Google Maps Karten), werden nur mit Ihrer Zustimmung durch Auswahl oder Klick auf „Alles akzeptieren“ gesetzt. Weitere Einzelheiten erfahren Sie in unserer Datenschutzerklärung, in der Sie Ihre Einwilligung jederzeit widerrufen können.