DLR entwickelt selbstlernendes Prognosemodell zur optimierten Versorgung von Gewerbeimmobilien
- Das DLR-Projektteam entwickelt mit Hilfe künstlicher Intelligenz ein Modell, das die Erzeugung und den Verbrauch von Energie in Gewerbeimmobilien prognostiziert und sich auf vergleichbare Gebäude übertragen lässt.
- Durch die selbstlernenden Algorithmen des Modells ist eine detaillierte Vorhersage möglich, die als Basis für eine effizientere Stromversorgung dient.
- Das Projekt verknüpft die Sektoren Energie, Mobilität und Digitalisierung und entwickelt zum Beispiel auch Ladepläne für Elektroautos.
- Schwerpunkte: Energie, Verkehr, Digitalisierung, künstliche Intelligenz, Sektorenkopplung
Welchen Beitrag kann künstliche Intelligenz (KI) leisten, damit Strom aus erneuerbaren Energien möglichst effizient in einer Gewerbeimmobilie erzeugt, verteilt und genutzt wird? Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) hat ein Modell zur lokalen Verbrauchs- und Erzeugungsprognose entwickelt, um daraus unter anderem auch Ladepläne für Elektroautos zu erstellen. Im vom Bundesministerium für Wirtschaft und Energie (BMWi) geförderten Forschungsprojekt EMGIMO (Neue Energieversorgungskonzepte für Mehrmieter-Gewerbeimmobilien) untersucht ein Team des Institut für Vernetzte Energiesysteme, wie mit Hilfe selbstlernender Algorithmen möglichst viel Strom aus der eigenen Photovoltaikanlage (PV-Anlage) direkt genutzt werden kann.
Innovative Lösungen für die Systemsteuerung
Erforderlich werden solche innovativen Lösungen für die Systemsteuerung, weil das Energiesystem durch den Umstieg auf erneuerbare Energien zunehmend komplex wird. Anstelle der bisher eindimensionalen Versorgung vom Kraftwerk zum Verbraucher, speisen Windräder und PV-Anlagen die Energie vermehrt dezentral an zahllosen Orten ins Netz ein. Das stellt die Stromversorgung und damit die Netzstabilität vor neue Herausforderungen, eröffnet Vermietern und Gewerbetreibenden aber gleichzeitig neue Geschäftsmodelle. Genau an diesem Punkt setzt das DLR mit der Integration von künstlicher Intelligenz an.
Dynamische Steuerung von Erzeugung, Speicherung und Verbrauch
Für das EMGIMO-Projekt sind in einem Pilotgebäude, das sieben gewerbliche Mieter beherbergt, verschiedene Hard- und Softwarekomponenten installiert worden. Eine PV-Anlage auf dem Dach der Immobilie liefert die Energie für eine möglichst hohe Eigenstromversorgung des Gebäudes. Zusätzlich stehen für die private und gewerbliche Nutzung sechs Ladesäulen für Elektroautos sowie sogenannte Smart Meter bereit. „Diese digitalen Stromzähler sind darauf ausgerichtet, dass sie aktuelle Verbrauchsdaten über eine Kommunikationseinheit an das zukünftige intelligente Stromnetz weitergeben können“, erläutert Jan-Simon Telle, EMGIMO-Projektleiter am DLR-Institut für Vernetzte Energiesysteme. Dieses sogenannte Smart Grid wird alle Komponenten vernetzen und so die Erzeugung, den Verbrauch und die Speicherung des Stroms dynamisch steuern.
Übertragbare Prognosemodelle durch künstliche Intelligenz
Im Detail erstellen die Forscherinnen und Forscher des DLR mit Hilfe von KI-Methoden aus den Last- und Erzeugungsprognosen ein Modell, das auf vergleichbare Immobilien übertragen werden kann. Aus diesen Prognosen lässt sich ableiten, wie viel Energie zu welchem Zeitpunkt voraussichtlich erzeugt und genutzt wird. Indem die selbstlernenden Algorithmen mehrmals täglich mit Messwerten aus dem Gebäude sowie mit Wetterparametern wie Außentemperatur, Luftfeuchtigkeit und Wolkenbedeckung trainiert werden, erkennen sie Muster in der Erzeugung und im Verbrauch der Energie – beispielsweise abhängig vom Wochentag, der Tages- oder Jahreszeit. Aus diesen Daten erstellt die KI anschließend Prognosen für die nächsten 15 Minuten bis zu 48 Stunden.
Selbstlernende Algorithmen erstellen effiziente Ladepläne
Im Vergleich zu konventionellen Verfahren der Lastprognose werden durch den Einsatz von künstlicher Intelligenz Änderungen – zum Beispiel ein Mieterwechsel – selbstlernend von den Algorithmen erkannt und direkt in die Prognosen eingebunden. „Ein weiterer Vorteil der Algorithmen ist, dass sie die Alterungseffekte der PV-Anlage oder eine geringere Energieerzeugung, zum Beispiel durch Verschattung oder Defekte, automatisch berücksichtigen“, ergänzt Telle.Darüber hinaus lassen sich mit den Algorithmen auch Vorhersagen für die Verbrauchsprofile einzelner Geräte treffen, wodurch die DLR-Forscherinnen und -Forscher besonders die kurzfristigen Prognosen im Zeithorizont von unter einer Stunde noch genauer definieren können. „Indem das Modell alle Last- und Erzeugungsprognosen kombiniert, können wir Ladepläne für Energiespeicher und Elektroautos erstellen. Damit erreichen wir, dass nur dann geladen wird, wenn gerade keine anderen energieintensiven Verbraucher aktiv sind“ erklärt Telle. Gleichzeitig wird sichergestellt, dass immer dann geladen wird, wenn es einen Überschuss an PV-Leistung gibt. Das verleiht dem zukünftigen Energiesystem mehr Netzstabilität.
Schnittstelle zwischen Energieforschung, Digitalisierung und Mobilität
Mit den Arbeiten zum EMGIMO-Projekt forscht das Team um Jan-Simon Telle an der Schnittstelle von Energieforschung, Digitalisierung und Mobilität. Damit zeigt das DLR, wie intelligente Prognosemodelle für Stromverbrauch und -erzeugung aus erneuerbaren Energien an ein Energiemanagementsystem gekoppelt werden können. Zusätzlich liefert es mit dem Modell ein praxisnahes Vorbild, das sich auf vergleichbare Immobilien in städtischen Regionen übertragen lässt.