Forschungsprojekt DestinE: Destination Earth Machine Learning Demonstrator – Energy Systems
Entwicklung eines Machine-Learning-Demonstrators für schnellere und interaktive Simulation europäischer Energiesysteme
Im Zuge der Defossilierung unserer Stromversorgung sowie durch die Elektrifizierung von Wärme und Verkehr steigt europaweit der Bedarf an Lösungen, witterungsabhängige erneuerbare Energie in eine verlässliche Stromversorgung einzubinden. Eine wesentliche Voraussetzung dafür ist die Berücksichtigung klima- und wetterbasierter Unsicherheiten in der Modellierung von Energiesystemen. Jedoch weisen bestehende Klimainformationssysteme meist nur eine geringe regionale Genauigkeit auf, was die Vorhersage von Veränderungen sowohl auf kurzen als auch auf langen Zeitskalen erschwert. Vor diesem Hintergrund hat die Europäische Union im Jahr 2021 mit Destination Earth (DestinE) eine ehrgeizige Initiative ins Leben gerufen, bei der es um die Erstellung digitaler Zwillinge unseres Planeten geht. Um eine nahtlose Verschmelzung von Echtzeitbeobachtungen und hochauflösenden Vorhersagen und Projektionen zu ermöglichen, sollen im Projektverlauf zwei verschiedene digitale Nachbildungen des hochkomplexen Erdsystems erstellt werden: eine für wetterbedingte und geophysikalische Extreme, die andere für die Anpassung an den Klimawandel. Beide dienen dem Ziel, unsere Kenntnisse über das Erdklima und dessen Interaktion mit anderen, das menschliche Handeln und Leben betreffenden Sektoren wie Landwirtschaft, Wasserversorgung oder Energie zu verbessern. Das soll helfen, Katastrophen besser vorherzusagen und letztlich politische Entscheidungsträger bei der Bewältigung klimabedingter Veränderungen zu unterstützen.
Forschungsprojekt DestinE: Destination Earth Machine Learning Demonstrator – Energy Systems | |
|---|
Laufzeit | Mai 2025 bis Oktober 2026 |
Förderung durch | Europäische Kommission/Europäisches Zentrum für mittelfristige Wettervorhersagen (ECMWF) |
Projektbeteiligte | - DLR-Institut für Vernetzte Energiesysteme
- Renewables Grid Initiative
- Universität Aarhus
|
Innerhalb des DestinE-Gesamtvorhabens setzen Fachleute aus verschiedenen Wissenschaftsbereichen mehrere Teilprojekte um. Das Teilprojekt „Destination Earth Machine Learning Demonstrator – Energy Systems“ zielt darauf ab, zeitintensive Lastflussrechnungen durch Ansätze des Maschinellen Lernens (ML) zu ersetzen. Dies soll es ermöglichen, genaue und kosteneffiziente Vorhersagen für kritische Situationen im europäischen Stromsystem abzugeben und die Berücksichtigung von Unsicherheiten bei der Auslegung zukünftiger Energiesysteme zu erleichtern. Dafür wird ein innovativer Demonstrator für maschinelles Lernen entwickelt, der auf einem anspruchsvollen neuronalen Netz basiert, das die Gesetze der Physik explizit berücksichtigt und Klimadaten sowie weitere relevante Inputdaten wie die erwartete Energie-Nachfrage und die mögliche Energieerzeugung aus erneuerbaren Quellen nutzt. Auf Basis dieser Daten soll der trainierte ML-Demonstrator Vorhersagen über den kostenoptimalen Einsatz von Kraftwerken und Speichern und den Lastfluss liefern.
Das Institut für Vernetzte Energiesysteme will im Teilprojekt „Machine Learning Demonstrator – Energy Systems“ Stromnetzbetreiber mit verbesserten Informationen und Werkzeugen bei Entscheidungen in der Netzplanung und der Untersuchung der Versorgungssicherheit unterstützen. Dabei ist der entwickelte Ansatz sowohl für lokale als auch für kontinentale Energiesysteme geeignet. Diese Arbeiten basieren auf dem DestinE Use Case Energy Systems, für den das DLR Klima- und Wetterinformationen in die Modellierung von Energiesystemen integriert hatte. Aufbauend auf diesen Ergebnissen zielt der ML-Demonstrator darauf ab, den Integrationsprozess von Klima- und Wetterinformationen zu validieren und zu verbessern, um genauere und effizientere Modelle von Energiesystemen unter Berücksichtigung von Unsicherheiten zu entwickeln und so die Resilienz der Systeme zu verbessern.
Für die Modellierung von Stromsystemen wird das Institut im Demonstrator meteorologische Informationen in einem semi-operativen Workflow verwenden. Dabei wird der übliche, aber komplexe und weniger effiziente lineare-optimale-Stromfluss (LOPF)-Ansatz ersetzt. Hierfür greift die ML-Anwendung unter anderem auf Zeitreihen aus DestinE’s Climate Adaptation Digital Twin sowie auf andere offene Datensätze zurück. Die spätere Anwendbarkeit des Demonstrators soll durch die Einbindung von Stakeholdern aus der Energie- und Klimaforschung in den Entwicklungsprozess in einem partizipativen Ansatz sichergestellt werden. Damit sollen zum Beispiel Interessen zur Planung von Erweiterungen und Verbesserungen der Netze sowie zum sicheren Betrieb von Netzen und Kraftwerken in der Modellentwicklung berücksichtigt werden.
Mehr Informationen:
