Fossile Kraftwerke laufen dank KI seltener

Verbesserter Algorithmus der EPFL verbessert Prognose der Windstromerzeugung erheblich

Fernando Porté-Agel (rechts) und Wenlong Liao entwickeln Windprognosen (Foto: Alain Herzog, epfl.ch)

Lausanne (pte015/29.01.2025/11:35)

Forscher der Eidgenössischen Technischen Hochschule Lausanne (EPFL) um Fernando Porté-Agel haben ein neuronales Netz zur besseren Prognose der Windstromerzeugung trainiert. Porté-Agel und sein Postdoc Wenlong Liao haben Eingabevariablen aus einem Wettermodell mit einem signifikanten Einfluss auf die Windenergieerzeugung - Windrichtung, Windgeschwindigkeit, Luftdruck und Temperatur - mit Daten aus Windparks in der Schweiz und weltweit ausgewählt.

Das Ziel: Mit besseren Windprognosen könnte die Stromproduktion in Kohle- und Erdgaskraftwerken deutlich reduziert werden. Genau das gelingt mit "Explainable Artificial Intelligence" (XAI), die nachvollziehbar macht, auf welche Weise dynamische und nicht linear programmierte Systeme wie künstliche neuronale Netze, Deep-Learning-Systeme und genetische Algorithmen zu ihren Ergebnissen kommen.

KI-Modelle optimieren

XAI ist ein Zweig der Künstlichen Intelligenz (KI), der den Nutzern hilft, einen Blick in die Blackbox der KI-Modelle zu werfen, um zu verstehen, wie ihre Ergebnisse erzeugt werden und ob ihren Prognosen zu trauen ist. In jüngster Zeit hat XAI bei Computer-Vision-Aufgaben wie der Bilderkennung an Bedeutung gewonnen, wo das Verständnis von Modellentscheidungen entscheidend ist.

"Damit Netzbetreiber die Windenergie effektiv in ihre intelligenten Netze integrieren können, benötigen sie zuverlässige tägliche Vorhersagen der Windenergieerzeugung mit einer geringen Fehlermarge. Ungenaue Vorhersagen bedeuten, dass die Netzbetreiber in letzter Minute einen Ausgleich schaffen und oft teurere Energie aus fossilen Brennstoffen einsetzen müssen", so Porté-Agel. Dadurch würden überflüssigerweise die CO2-Emissionen steigen.

Die derzeit zur Vorhersage der Windkraftleistung verwendeten Modelle beruhen auf Strömungsdynamik, Wettermodellierung und statistischen Methoden, doch sie weisen eine nicht zu vernachlässigende Fehlerspanne auf. KI hat es den Ingenieuren ermöglicht, die Vorhersagen für die Windenergie zu verbessern, indem sie anhand umfangreicher Daten Muster zwischen Wettermodellvariablen und der Leistungsabgabe von Windturbinen erkennen.

CO2-Ausstoß verringern

Die meisten KI-Modelle funktionieren den Experten nach derzeit jedoch als Blackboxen. Oftmals sei es schwierig zu verstehen, wie diese zu bestimmten Vorhersagen kommen. XAI geht dieses Problem an, indem es die Modellierungsprozesse, die zu den Vorhersagen führen, transparent macht, was zu glaubwürdigeren und zuverlässigeren Vorhersagen führt, heißt es.

"Wir haben vier XAI-Techniken angepasst und Metriken entwickelt, um festzustellen, ob die Interpretation der Daten durch eine Technik zuverlässig ist", sagt Liao. Als Folge davon reduzierte sich die Fehlerquote bei der Prognose der Windstromerzeugung so weit, dass fossile Kraftwerke tatsächlich nur dann eingesetzt werden müssen, wenn es wirklich nötig ist.

"Betreiber von Stromnetzen fühlen sich nicht sehr wohl, wenn sie auf den Einsatz von fossilen Kraftwerken verzichten, wenn sie sich nicht auf die Windstromerzeugung verlasen können", so Jiannong Fang, KI-Experte an der EPFL. "Mit einem XAI-basierten Ansatz lassen sich jedoch zuverlässigere Prognosen der täglichen Schwankungen der Windenergie erstellen und die CO2-Emissionen verringern."

Aussender:	pressetext.redaktion
Ansprechpartner:	Wolfgang Kempkens
Tel.:	+43-1-81140-300
E-Mail:	kempkens@pressetext.com
Website:	www.pressetext.com