04.10.2024 – Gemeinsam mit dem Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik forscht die Universität Kassel an der Optimierung von Stromnetzen mittels Künstlicher Intelligenz.
Ziel des Projekts ist es, den Betrieb von Übertragungsnetzen durch innovative KI-Methoden effizienter zu gestalten und damit zur Stabilität der Stromversorgung beizutragen. In Kooperation mit dem Fraunhofer IEE und drei Übertragungsnetzbetreibern – TenneT TSO GmbH, 50Hertz und TenneT TSO B.V. – entwickeln die Forschenden neue KI-basierte Ansätze zur Optimierung der Stromnetzsteuerung. Dabei kommen unter anderem Graph Neural Networks (GNNs) und Deep Reinforcement Learning (DRL) zum Einsatz.
Netzbetreiber müssen eine Vielzahl von Variablen ausbalancieren, um eine konstante und zuverlässige Stromversorgung zu gewährleisten. Ein Forschungsprojekt untersucht, inwieweit der Einsatz von Künstlicher Intelligenz die Steuerung von Stromnetzen optimieren kann. (Symbolbild: Roza / stock.adobe.com (KI generiert))
Künstliches neuronales Netzwerk
Bei einem Graph Neural Network handelt es sich um die Unterformen eines künstlichen neuronalen Netzwerks (KNN), das Daten verarbeitet, die in Graphenstrukturen vorliegen. Die GNNs sind besonders leistungsfähig bei der Analyse von Netzwerkstrukturen, wie sie auch in Stromnetzen vorkommen. Ein Fokus des Forschungsvorhabens ist es, die Berechnung von Netzlasten mithilfe spezieller GNNs zu beschleunigen und Möglichkeiten zur dynamischen Anpassung der Netztopologie während des Betriebs zu untersuchen.
An diesem Punkt setzt das Forschungsprojekt GNN4GC (Graph Neural Networks for Grid Control) des Fachgebiets Intelligente Eingebettete Systeme der Universität Kassel an. „Unser Ziel ist eine enge Zusammenarbeit zwischen Forschung und Industrie, um praxistaugliche Lösungen für diese Herausforderungen der Energiewende zu entwickeln“, erklärt Dr. Christoph Scholz, Leiter des Projekts an der Universität Kassel.
Selbstlernende KI-Agenten
Neben GNN wird im Gesamtprojekt das Deep Reinforcement Learning (DRL) eingesetzt, um selbstlernende Agenten zu entwickeln, die netzdienliche Zustände identifizieren können. Diese KI-Modelle werden zunächst in Simulationen trainiert, um potenzielle Lösungen für die Steuerung und Optimierung von Stromnetzen zu erforschen.
In einem ersten Schritt zur praktischen Umsetzung dieser innovativen Ansätze konnten die Forschenden bereits einige Vorabergebnisse erzielen. In einer aktuellen Publikation (https://doi.org/10.1016/j.segan.2024.101510) präsentieren sie einen Algorithmus, der die Identifizierung und Integration von optimierten Topologien – gemeint sind damit die physischen oder logischen Anordnungen eines Stromnetzes – in ein bestehendes Deep Reinforcement Learning Modell ermöglicht. (cp)