Der wachsende Anteil erneuerbarer Energien führt zu einem zunehmend dezentralen Stromsystem, in dem eine Vielzahl kleiner Erzeuger, Speicher und Verbraucher flexibel gesteuert werden muss. Um die Flexibilität und Resilienz des Stromsystems zu fördern, werden verstärkt KI-gestützte Anwendungen entwickelt und erprobt. Hier sind insbesondere Methoden (Verfahren, Algorithmen bzw. Modelle) des maschinellen Lernens wie künstliche neuronale Netze, Random Forests oder Clustering relevant. Mit diesen Methoden können große Datenmengen effizienter analysiert werden, um Vorhersagen zu verbessern und die Steuerung dezentraler Anlagen zu optimieren. Die Anwendungsbereiche von KI-Methoden in dezentralen Stromnetzen mit einem hohen Anteil erneuerbarer Erzeugung sind dabei sehr vielfältig. KI-Methoden können z.B. dazu beitragen, Anlagen vorausschauend zu warten, Anomalien in Netzen zu erkennen, Last- und Einspeiseprognosen zu verbessern oder flexible Lasten zu steuern. Viele KI-Methoden werden bereits im Stromsystem angewendet. Es ist allerdings zu erwarten, dass ihre Bedeutung durch die zunehmende Digitalisierung und insbesondere durch den angestrebten Ausbau der Smart-Metering-Infrastruktur in den nächsten Jahren weiter steigt.

Mit dieser Entwicklung sind auch Risiken verbunden. So wurden im TAB-Foresight-Report Trends im Zusammenhang mit der Digitalisierung durchweg als Faktoren für erhöhte Verletzlichkeit eingestuft. Ein zentrales Thema ist die Cybersicherheit, die sowohl (beabsichtigte) Cyberangriffe als auch (unbeabsichtigte) Ausfälle, z. B. aufgrund von Softwarefehlern, umfasst. Darüber hinaus spielen auch ökonomische und geopolitische Abhängigkeiten eine Rolle. Je mehr KI-gestützte Anwendungen mit Bezug zu oder in privaten Haushalten eingesetzt werden, desto höhere Risiken bestehen für die Privatsphäre, Datensicherheit und Selbstbestimmung der Verbraucher/innen.

Ziel und Vorgehensweise

Ziel des TA-Projekts ist es, eine Bestandsaufnahme des aktuellen und perspektivischen Einsatzes von KI im Stromsystem vorzunehmen, die Potenziale KI-gestützter Anwendungen abzuschätzen und die mit dem Einsatz von  KI verbundenen Risiken zu identifizieren.

Die Untersuchung wird dabei auf die folgenden Anwendungsebenen eingegrenzt:

• KI-gestützte Anwendungen mit Bezug zu Verbrauchern bzw. Prosumern, die auf eine effizientere und flexiblere Integration von kleinen und mittleren Erzeugungs- und Speicheranlagen sowie eine Anpassung des Verbrauchs an die Verfügbarkeit von erneuerbarem Strom bei gleichzeitiger Stabilisierung des Netzbetriebs abzielen. Beispiele dafür sind Demand-Response-Programme, die Aggregation von kleinen Erzeugungs- und Speicheranlagen zu virtuellen Kraftwerken sowie Vehicle-to-Grid-, Vehicle-to-Home- und Smart-Charging-Anwendungen.
• KI-gestützte Anwendungen auf Quartiersebene mit dem Ziel, den Verbrauch an die Verfügbarkeit von erneuerbarem Strom anzupassen und damit lokal erzeugten erneuerbaren Strom möglichst auch lokal zu verbrauchen. Beispiele hierfür sind gemeinschaftlich genutzte Batteriespeicher (sog. Quartierspeicher) oder Photovoltaikanlagen.
• KI-gestützte Anwendungen auf Verteilnetzebene, die gezielt auf den Umgang mit systemischen Risiken zur Erhöhung der Resilienz ausgerichtet sind. Hier sind insbesondere Prognosen von potenziellen Schäden und Ausfällen durch Extremwetterereignisse sowie die Identifikation von Anomalien zur Erkennung und zum Schutz vor Cyberangriffen relevante Anwendungen.

Das Projekt wird in zwei Phasen durchgeführt. In der ersten Phase erfolgt eine überblicksartige Bestandsaufnahme sowie eine Potenzial- und Risikoabschätzung von Anwendungen in den drei oben dargestellten Ebenen. In der zweiten Phase werden ausgewählte Anwendungen, die in Phase 1 als besonders vielversprechend eingeschätzt wurden, vertieft bearbeitet.

Stand der Projektbearbeitung

Für die erste Projektphase ist eine Gutachtenauschreibung in Vorbereitung.