GridOptimizer
Zur Optimierung der Nutzung von lokal gewonnenen erneuerbaren Energien wurde ein „selbstlernendes“ Informationsmedium entwickelt, dass den Nutzer mithilfe von Strom-/ Wärmebedarfsdaten und prognostizierten generierten Energiemengen (basierend u.a. auf Wettervorhersagen) zu einem für das Netz/Quartier positiven und für ihn kostengünstigen Verbrauchsverhalten animiert.
Dem GridOptimizer wurde ein selbstlernender Algorithmus implementiert, der große Datenmengen (z.B. Messwerte) analysiert und daraus Schlüsse zieht, um Vorhersagen treffen zu können. Dieser Teil der künstlichen Intelligenz (KI) wird auch als Machine Learning bezeichnet, das wiederum vier Ausprägungen umfasst. Relevant für den GridOptimizer sind das Supervised Learning (Lernen nach vorgegeben Regeln) und Unsupervised Learning (erkennen und auswerten von Mustern und Selbstoptimierung).
Prinzipieller Aufbau des GridOptimizers. © Fraunhofer IBP.
Die teilnehmenden Haushalte erhalten eine Information, wie sie sich systemoptimierend verhalten können. Dafür werden Notifications durch die Quartiers-App auf die Smartphones der Nutzer aufgespielt. Als Anreiz wurde ein lokaler Energietarif entwickelt, der je nach Optimierungsziel, das lokale Strahlungsangebot und/oder den aktuellen Strompreis an der Strombörse Leipzig berücksichtigt. Leider konnte dieser Energietarif nicht in den Demonstrationsquartieren umgesetzt werden.
Zu den steuerbaren Prozessen in Wohngebäuden gehören die weiße Haushaltsware (Wasch-, Spülmaschine, Trockner, Kühlgeräte), Wärmeerzeuger (Wärmepumpe, BHKW), E-Fahrzeuge, sonstige Ladestationen sowie thermische und elektrische Speicher. Die steuerbare weiße Ware umfasst insgesamt rund 35 % des Nutzerstroms von Haushalten. In verschiedenen Feldtest konnten Lastverlagerungen von bis zu 10 % festgestellt werden.
Screenshots der Integration des GridOptimizers in der Quartiers-App. © Fraunhofer FIT und IBP.
Bearbeitungstand
Nachdem die Ziele des Tools definiert und die Umsetzbarkeit in den beiden Quartieren analysiert waren, wurden die benötigten Strom- und Wetterdaten festgelegt sowie die mögliche Lastverschiebung anhand früherer Studien ermittelt. Die Algorithmusentwicklung mit den zwei separaten KI-Modellen wurde im Projektrahmen durchgeführt. Um die KI-Modelle einzulernen, wurden PV-Ertragsdaten bzw. Stromverbrauchswerte aus anderen Projekten verwendet. Für die Wetterprognose wurde auf Daten des DWD (Modell ICON-D2) zurückgegriffen.
Ursprünglich sollten zielgruppenspezifische Ansprachen für die teilnehmenden Haushalte entwickelt werden, in Abhängigkeit der Haushaltsgröße, der Anwesenheitszeiten und der Ausstattung mit Elektrogeräten. Dies konnte im Demoquartier nicht umgesetzt werden, da seitens der lokalen Akteure Diskussionen innerhalb der Quartiersgemeinschaft befürchtet wurden, falls einzelne Personen eine Benachrichtigung erhalten und andere nicht. Um dem daraus potenziell entstehenden Gefühl einer Benachteiligung entgegenzuwirken und allen Haushalten zu jeder Zeit die Teilnahme an eigenverbrauchserhöhenden Maßnahmen zu ermöglichen, wurde auf die Gruppierung verzichtet. Somit erhielten alle teilnehmenden Haushalte zum jeweiligen Zeitpunkt eine gleichlautende Nachricht, z. B. „Für morgen wird Sonnenschein vorhergesagt. Ein guter Zeitpunkt für die Nutzung der Spülmaschine ist zwischen 12 und 16 Uhr.“
Nach einer Testphase der Quartiers-App und somit auch des GridOptimizers wurden die Anwender zu einer Evaluationsbefragung eingeladen und das Feedback der Nutzer ausgewertet.
Erhältliche Projektergebnisse
Bei Interesse am Einsatz oder der Weiterentwicklung des GridOptimizers steht Ihnen folgender Kontakt zur Verfügung:
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!