Fraunhofer-Institut für System- und Innovationsforschung ISI
Fraunhofer-Institut für System- und Innovationsforschung ISI

Wie trägt KI zu einer effizienten Energiewende bei?

Forschungsfragen

  • Wie lässt sich KI einsetzen, um die Energiewende effizient und nachhaltig zu gestalten?
  • Wie müssen KI-Systeme beschaffen sein, damit Stromkunden diese auch nutzen?
  • Welche Auswirkungen hat der Einsatz von KI auf den Energieverbrauch?

Projekte

Künstliche Intelligenz für die integrierte Energiewende

Der im Rahmen des BMWi-geförderten Projekts »EnerKI – Einsatz Künstlicher Intelligenz zur Optimierung des Energiesystems« erstellte Analysebericht zielt darauf ab, den schillernden KI-Begriff zu versachlichen und im Kontext der integrierten Energiewende einzuordnen. Die Analyse zeigt, dass KI vielfältig in allen Sektoren der Energiewirtschaft einsetzbar ist und in Zukunft einen wesentlichen Beitrag für eine sichere, klimafreundliche und kosteneffiziente Energieversorgung leisten kann.

Implikationen der europäischen Datenstrategie und -regulierung für die Energiewirtschaft

Im Rahmen ihrer Datenstrategie hat die EU eine weitreichende Rechtsgrundlage für die digitale Wertschöpfung durch Daten in Europa geschaffen – auch in der Energiewirtschaft. Während der Data Act die Datenverfügbarkeit im Energiesystem stark erweitert, regelt der Data Governance Act vertrauenswürdige Transaktionsmöglichkeiten für diese Daten.

Unter den künftig geltenden Regelungen haben beispielsweise Betreiber von Windenergieanlagen Anspruch auf alle Daten, die bei der Nutzung der Anlagen anfallen. Dazu gehören etwa umfangreiche Sensordaten, die für das Betriebsmonitoring und die vorausschauende Wartung essenziell sind. Über diese Daten verfügt bislang der Anlagenhersteller als Dateninhaber exklusiv und verkauft auch die Nutzungsrechte daran an die Betreiber.

Zusammen mit dem Fraunhofer-Exzellenzclusters Integrierte Energiesysteme (CINES) wurde ein Whitepaper erarbeitet, das die Auswirkungen und Potenziale der europäischen Datenstrategie analysiert und ein Verständnis für die neuen Regulierungen schafft sowie konkrete Handlungsoptionen für Akteure der Energiewirtschaft aufzeigt. 

DiMA-Grids – Digitale Geschäftsmodelle mit selbstbestimmten Anwendern für smarte Verteilnetze

In diesem Verbundprojekt wurden bestehende Ansätze zur Digitalisierung der Energiewende weiterentwickelt. Es wurde erforscht, wie Verteilnetze flexibler und automatisiert gesteuert werden können und wie Endkund:innen über Smartmeter ihren Verbrauch aktiv steuern können. Im Projekt wurden außerdem digitale Geschäftsmodelle auf Basis von Plattformökonomien identifiziert und es wurden Umsetzungsstrategien vorgeschlagen. 

EnArgus 3.0 – KI-gestütztes Informationssystem Energieforschungsförderung

Ziel des Verbundprojekts EnArgus3.0 war es, das zentrale Informationssystem zur Energieforschungsförderung konzeptionell und inhaltlich an neue wissenschaftliche Erkenntnisse anzupassen und zu verbessern. Dabei wurde unter Verwendung neuster KI-Methoden aktuelle Inhalte der Energieforschung erschließbar und öffentlichen Stellen sowie der breiten Öffentlichkeit einfach und transparent zugänglich gemacht.

Gegenstand des Vorhabens war insbesondere, wie der dynamischen Entwicklung von Themen der Energieforschung in einem Informationssystem Rechnung getragen werden kann und inwieweit die zu diesem Zweck genutzten Ontologien durch KI-Methoden unterstützt werden können. 

New Trends in energy demand modeling

Digitalisation has the potential to fundamentally change the way things are currently performed. While most digitalised processes are getting more and more efficient, not all of them are designed in a way that reduces energy consumption. New societal trends empowered by digitalisation such as shared economy, autonomous driving and low-carbon circular economy could lead to an increase in energy demand if they are not countered by measures with a strong focus on saving energy. The goal of the EU-funded NEWTRENDS project is to identify and quantify how new societal trends may affect energy demand. To achieve its goal, it will combine qualitative and quantitative cross-sectoral modelling and explore how energy demand models can be improved to represent new societal trends.

Literatur