Künstliche Intelligenz für die Netze

Neue Technologien und Verfahren können Netzbetreibern die Arbeit erleichtern.

Künstliche Intelligenz (KI), Data Science oder Machine Learning (ML) stehen derzeit weit oben auf der IT-Roadmap vieler Unternehmen. Obgleich längst nicht mehr neu, hat sich seit ihrer Entwicklung vor zehn bis 20 Jahren einiges getan. Inzwischen sind die entsprechenden Systeme in der Lage, auf Basis großer Datenmengen – deren Bestand nicht zuletzt aufgrund der Digitalisierung wächst – sehr feine, granulare Einblicke, beispielsweise in das Stromnutzungsverhalten eines Kunden, zu erlangen. Derartige Auswertungen sind technologisch noch nicht lange möglich und waren bisher mit langen Wartezeiten oder sehr hohen Rechenleistungen verbunden. Hartmut Entrup, Director Smart-X bei Arvato Systems ist überzeugt: „Die Weiterentwicklungen in diesem Bereich können sich auch Netzbetreiber zunutze machen – zum Beispiel, wenn sie auf Basis von KI oder ML genau prognostizieren können, wie stark ihr Netz ausgelastet sein wird.“ Die entsprechenden Beratungskompetenzen, Methoden und Technologiebausteine fasst Arvato Systems unter dem Namen Advanced Analytics zusammen. Damit unterstützt das Unternehmen Versorger unter anderem bei der Umsetzung netzdienlicher Big Data-Anwendungen.

Netzbetreiber vor neuen Herausforderungen

Foto: Arvato Systems

Die Energiewende und die Dezentralisierung bringen für Netzbetreiber in Deutschland zahlreiche Herausforderungen mit sich – eine der größten besteht ohne Frage darin, die Netzstabilität zu gewährleisten. Das erfordert zum einen eine genaue Kenntnis der aktuellen Netzsituation, um Ungleichgewichte im Bedarfsfall jederzeit effizient ausgleichen zu können. Für die wirksame Prävention benötigt man zum anderen möglichst zuverlässige Prognosen über Einspeisung und Verbrauch. Für Hartmut Entrup sind diese Szenarien jedoch oftmals nicht mehr als reine Theorie: „Häufig sind Netzbetreiber nicht in der Lage, ihre Auslastung zu analysieren oder zu prognostizieren. Advanced Analytics kann Netzbetreibern dabei eine große Unterstützung sein.“ Wo genau die neuen Ansätze nutzbringend zum Einsatz kommen können, verdeutlichen die folgenden Beispiele.

Erkennung von Anomalien

Für die Netzüberwachung greifen viele Netzbetreiber auf Systeme zurück, die nach festen Schwellwert- Kriterien operieren. Das heißt: Die Systeme überwachen, ob sich die betrachteten Zielgrößen innerhalb eines vordefinierten Wertebereichs befinden. Möchte das Unternehmen einen Aspekt des Netzes dauerhaft überwachen, wie etwa den Lastfluss, muss es dafür feste Schwellwerte definieren, die eine Vielzahl von Normalzuständen gesamtheitlich abdecken. Damit lösen zustandsspezifische Abweichungen allerdings häufig keinen Alarm aus. „Im Einsatz von ML- und KI-Verfahren kann man diese Überwachungsaufgaben wesentlich einfacher und flexibler lösen“, berichtet Niels Pothmann, Senior Manager Advanced Analytics bei Arvato Systems. „Festdefinierte Schwellwerte sind dabei nicht mehr erforderlich, denn durch KI und ML wird automatisch erkennbar, wann mit welcher Auslastung zu rechnen ist.“ Dazu dienen beispielsweise Zeitreihenmessungen auf Basis von Smart Metering–Daten, die eine Unterscheidung zwischen Wochentagen oder Wochenende ermöglichen. Anhand dessen kann der Netzbetreiber anschließend Verhaltensmuster untersuchen und systematisieren. Gleichzeitig kann er Lastprofile – etwa von Industrieoder Privatkunden erstellen, die dann auch andere Einflussfaktoren (PV-Erzeugungsanlagen etc.) berücksichtigen. Das zu erwartende Verhalten lässt sich dann feingranular auf Basis der verschiedenen Einflussgrößen abbilden, wobei auch generelle Korrelationen zur Außentemperatur oder zum Wetter eingeschlossen sind. Die Anomalien, die im Netz erkannt werden, basieren damit nicht mehr auf zuvor definierten Schwellwerten, sondern auf Umgebungsparametern. Fällt der Wert geringer oder höher aus als erwartet, kann der Netzbetreiber bedarfsgerecht reagieren.

Ladeinfrastruktur planen und einbinden

Ladestationen für E-Autos sind im Stadtbild zwar noch selten, doch die stetig steigende Anzahl an neuen E-Autos erhöht den Anforderungsdruck, weite Stadtgebiete mit solchen Ladesäulen auszustatten. Natürlich müssen Netzbetreiber sich in diesem Kontext mit der Frage beschäftigen, wie Netzüberlastungen aufgrund von zeitgleichen Ladevorgängen durch Steuerungsmaßnahmen vermieden werden und die Auslastungsströme optimiert werden können.

„Mit KI wird das deutlich einfacher“, sagt Niels Pothmann: „Die Technologie ermöglicht es, das Ladeverhalten an den Ladesäulen vorherzusagen. Wenn zu einem bestimmten Zeitpunkt mit einer besonders hohen Auslastung zu rechnen ist, etwa am Samstagvormittag, wenn besonders viele Menschen einkaufen gehen, dann lässt sich mit Hilfe der KI die Steuermaßnahme zur Anpassung der Ladeleistung an die Netzkapazität anstoßen.“ Das kann auch bedeuten, dass weitere Ladesäulen aufzubauen sind, sollten alle Ladesäulen permanent ausgelastet sein. Zudem, so Pothmann, erlaube KI es, die Ladevorgänge in unterschiedlichen Dimensionen zu optimieren – indem etwa die verfügbare Speicherkapazität berücksichtigt oder die Nutzung von PV-Strom für den Betrieb bevorzugt wird.

 

Fünf Schritte zur praktischen Umsetzung

Um Advanced Analytics erfolgreich zu etablieren, empfiehlt sich nach Erfahrung von Hartmut Entrup und Niels Pothmann ein systematisches Vorgehen:

Hartmut Entrup (li.)ist Director Smart-X bei Arvato Systems. Niels Pothmann ist Senior Manager Advanced Analytics bei Arvato Systems. Fotos: Arvato Systems

1. Klein starten
Hartmut Entrup: Um bei Stakeholdern Vertrauen zu schaffen, ist es im ersten Schritt sinnvoll, sich auf einfach erreichbare Ziele zu fokussieren. Erstrebenswert ist es, eine Anwendung oder einen Prototyp innerhalb weniger Tage oder Wochen zu entwickeln – und nicht mehrere Monate dafür aufzuwenden.

2. Ergebnisse frühzeitig validieren
Niels Pothmann: Selbst wenn Netzbetreiber und Dienstleister gemeinsam nur einen Prototyp entwickeln, sollte so früh wie möglich eine Validierung der erarbeiteten Lösungen erfolgen. So lässt sich schnell feststellen, wie effektiv der Prototyp ist und ob Verbesserungen notwendig sind.

3. Verfügbarkeit von Echtzeitdaten priorisieren
Hartmut Entrup: Der Netzbetreiber sollte sicherstellen, dass die verwendete Softwarebasis – dabei handelt es sich zumeist um eine IoT-Plattform – nicht nur in der Lage ist, große Datenmengen zu verarbeiten, sondern durch eine performante Integration von KI-Bausteinen auch schnelle Abfragen ausführen und Ergebnisse in Echtzeit ausspielen kann. Zudem sollte die Anwendung analytische Funktionen wie Aggregationen und Geofähigkeiten bieten.

4. Flexibles Datenmanagement sicherstellen
Niels Pothmann: Um sowohl strukturierte als auch unstrukturierte Datentypen wie Texte, Zahlen, Strings, boolesche Werte, Arrays und Hashes flexibel zu verarbeiten und zu analysieren, empfiehlt sich der Einsatz moderner Technologien, wie etwa NoSQL-Datenbanken oder KI- und Machine Learning- Toolsets.

5. Wachstum durch skalierfähige Tools sicherstellen
Hartmut Entrup: Damit ein Wachstum im Bereich der datengetriebenen Geschäftsmodelle sichergestellt wird, sollten Netzbetreiber eine skalierbare und herstellerunabhängige Plattform wählen, auf der sich das zukünftige unternehmensindividuelle Portfolio auf- und ausbauen lässt.

 

Kontakt: Arvato Systems, Niels Pothmann, 33333 Gütersloh, Tel. +49 (5241) 80-79353, niels.pothmann@bertelsmann.de

Mehr zu diesem Thema

Publikationen des 50,2 Verlages


Der Branchenleitfaden für Stadtwerke und Netzbetreiber
Die "gelben Seiten" der IT-Sicherheit



Der Branchenleitfaden für Stadtwerke und Netzbetreiber
Die "gelben Seiten" des Smart Metering-Marktes

Der Rollout-Leitfaden für die Praxis
Unterstützung bei der Einführung der Smart-Meter-Technologie.