Windenergie umlaut

Case

Energie trifft KI: Flexibilität statt lahmgelegter Windräder

Machine Learning hilft dabei, grünen Strom zu managen – und so die Energiewende voranzutreiben. Das Forschungsprojekt DESIGNETZ liefert Belege.

Deutschland ist auf dem Weg zu einer nachhaltigen Energieversorgung: 80 Prozent des Strombedarfs sollen Erneuerbare laut Koalitionsvertrag der Bundesregierung bis 2030 abdecken. 2020 waren es nur rund 46 Prozent.

Aber obwohl es bisher viel zu wenig Strom aus nachhaltiger Erzeugung gibt, stehen nicht selten Windräder still. Ein Grund: Windenergie- und PV-Anlagen sind abhängig vom Wetter, ihre Netzeinspeisung deshalb viel weniger planbar als die konventioneller Großkraftwerke. Kommt es zu einem Überschuss, zum Beispiel weil es im Norden stürmt, werden Anlagen gestoppt.

Diese Unsicherheit kann durch die Einbindung von Flexibilitäten in das Energienetz ausgeglichen werden, beispielsweise durch die Koppelung von volatilen Stromerzeugungsanlagen mit Wärmespeichern. Die Speicher können überschüssige Energie aufnehmen, das Stromnetz entlasten und so eine Abschaltung der Erzeugungsanlagen verhindern. Die entscheidende Währung für das Gelingen der Energiewende ist also nicht allein das Megawatt – es ist auch Flexibilität.

Wie lässt sich Flexibilität vorhersagen?

Flexibilitätsbereitstellung stand deshalb im Fokus des Forschungsprojekts DESIGNETZ, einem Teilprojekt des vom Bundesministerium für Wirtschaft (BMWi) geförderten Vorhabens SINTEG. Neben weiteren Technologieträgern ging es dabei um den Einsatz von Power-to-Heat- (P2H) sowie Kraft-Wärme-Kopplungsanlagen (KWK).

Eine zentrale Frage: Wie lässt sich Flexibilität besser vorhersagen? Das ist wichtig, damit verfügbare Speicherkapazitäten auch genutzt werden können. Ein Team von umlaut hat diese Frage im Rahmen des DESIGNETZ-Projektes untersucht, die Demonstratoren für die Flexibilitätssteuerung der P2H- sowie KWK-Anlagen aufgebaut und in das Gesamtsystem integriert.

umlaut Designetz Schema P2H-Anlagen Stromnetz

Schema der eingebundenen P2H-Anlagen in das Stromnetz (Quelle: DESIGNETZ Dokumentation Band 2, S. 121)

Künstliche Intelligenz für die Prognose von Flexibilitätspotenzialen

Der Kern: Ein Machine-Learning-Modell, das dabei hilft, Flexibilitätspotenziale vorherzusagen. In einem Probezeitraum wurden dafür zunächst auf Basis von Sensordaten die Ist-Werte der verfügbaren Flexibilitäten für die einzelnen Anlagen bestimmt. So konnten über einen Zeitraum von knapp einem Jahr Trainingsdaten für die Flexibilitätsprognose erhoben werden. Im Falle der P2H-Anlagen konnte dabei eine durchschnittliche Flexibilität von 40kW für die 29 angeschlossenen Anlagen ermittelt werden. Für die drei an den Demonstrator angeschlossenen KWK-Anlagen konnte in bis zu 9 Prozent der Betriebszeitpunkte verfügbare Flexibilität nachgewiesen werden.

Die Verfügbarkeit von Flexibilität ist dabei in hohem Maße abhängig vom Wetter, weil durch die bereitstellenden Anlagen wetterabhängige Erzeugung und Verbrauch ausgeglichen werden soll – deren Auslastung wird somit auch durch aktuelle und zu erwartende Wetterbedingungen beeinflusst. Deshalb wurden neben den erhobenen Betriebsdaten auch entsprechende Wetterdaten herangezogen, um ein sogenanntes Support-Vector-Regression-Modell für die Flexibilitätsprognose der Einzelanlagen zu trainieren. Das Verfahren dient dazu statistische Abhängigkeiten zu beschreiben und zu quantifizieren. Das Ergebnis: Das trainierte Modell kann – auf Basis von Wettervorhersagen für die kommenden drei Tage – Vorhersagen zu Flexibilitätspotenzialen machen.

Prognosen und Messdaten integrieren

Entscheidend für den netzdienlichen Betrieb der P2H- und KWK-Anlagen ist die Integration der Flexibilitätsprognose in ein Gesamtsystem, in das auch aktuelle Strom- und Gasnetz-Messdaten sowie Anlagendaten einfließen. Dieses wurde im DESIGNETZ-Projekt durch das sogenannte Systemcockpit bereitgestellt, welches als zentrales Element für den Datenaustausch und die Initiierung von Flexibilitätsabrufen dient. Das Projektteam von umlaut war neben dem Aufbau der Demonstratoren auch für die Realisierung der Datenanbindung an das Systemcockpit sowie die Umsetzung der Flexibilitätsabrufe verantwortlich (s. Abbildung 2).

Solche Aspekte von Datenanbindung, -aufbereitung und -management treten in Data-Analytics- und KI-Projekten immer wieder als Hürden abseits der eigentlichen Modellentwicklung auf und müssen durch das Projektteam gelöst werden. Neben einem reinen Daten- und Modellverständnis sind daher interdisziplinäres Wissen und Fähigkeiten aus der Energie- und Systemtechnik entscheidend für die erfolgreiche Projektdurchführung.

umlaut Schema Anbindung Einzelanlagen an zentrales Systemcockpit

Schema für die Anbindung der Einzelanlagen an das zentrale Systemcockpit (Quelle: DESIGNETZ Dokumentation Band 2., S. 71)

Flexibilität als das zentrale Element der Sektorenkopplung

umlaut konnte zeigen, dass die technischen Möglichkeiten für eine Flexibilitätsbereitstellung durch P2H- und KWK-Anlagen gegeben sind. Angesichts der hohen Verfügbarkeit von Flexibilität, welche während des Probezeitraums nachgewiesen werden konnte, zeigt sich, dass die Kopplung von Strom- und Wärmesektor ein hohes Zukunftspotenzial für die Energieversorgung besitzt.

Die Nutzung dieser Synergien und die Realisierung der damit verbundenen Effizienzpotenziale ist essenziel für die Umsetzung einer nachhaltigen Stromversorgung aus erneuerbaren Quellen, ohne gleichzeitig die Netzstabilität und Versorgungssicherheit zu gefährden. Neben dem Stromnetz können weitere Infrastrukturen von gezielten Flexibilitätsabrufen profitieren. Im Falle von P2H wird beispielsweise durch das Einschalten der strombasierten Wärmeerzeuger der Gasbedarf reduziert und somit das Gasnetz entlastet.

Künftig kann zusätzlich die rasant steigende dezentrale Speicherkapazität aus elektrisch betriebenen Fahrzeugen für netzdienliche Zwecke eingesetzt werden. Dabei ist eine zentrale Voraussetzung für die Nutzung solcher dezentralen Speicher die zeitliche und räumliche Kenntnis der verfügbaren Flexibilität. Wie am Beispiel der P2H- und KWK-Anlagen gezeigt wurde, stellen KI-basierte Prognosemodelle hierfür ein geeignetes Mittel dar. Sind Netzbetreiber und Energieversorger in der Lage, die notwendige Datengrundlage für deren Training aufzubauen, können sie ein wichtiges Werkzeug auf dem Weg zu einer nachhaltigen Energieversorgung sein.