GridOptimizer

Zur Optimierung der Nutzung der lokal gewonnenen erneuerbaren Energien wird 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 soll ein selbstlernender Algorithmus implementiert werden, der große Datenmengen (z.B. Messwerte) analysiert, daraus Schlüsse zieht um später 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.

In der ersten Entwicklungsstufe erhalten die teilnehmenden Haushalte eine Information, wie sie sich systemoptimierend verhalten können. Dafür werden Notifications durch die Quartiers-App auf die Smartphones der Nutzer aufgespielt. Als Anreiz soll ein lokaler Energietarif entwickelt werden, der je nach Optimierungsziel, das lokale Strahlungsangebot und/oder den aktuellen Strompreis an der Strombörse Leipzig berücksichtigt. Als Weiterentwicklung könnte eine Fernsteuerung von verschiebbaren Lasten durch den GridOptimizer erfolgen. Voraussetzung hierfür ist die Ausstattung der teilnehmenden Haushalte mit Kommunikationseinheiten, die einen Fernzugriff ermöglichen. Dies können „smarte“ Haushaltsgeräte, schaltbare Steckdosen oder Switch Bots sein.

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.

 

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 früheren Studien ermittelt.

Mit der Entwicklung des selbstlernenden Algorithmus mit bis zu vier separaten KI-Modellen wurde begonnen. Die Algorithmusentwicklung für die Prognose der PV-Leistung hat begonnen. Dafür wurde auf vorhandene PV-Ertragsdaten zurückgegriffen um die KI zu trainieren. Die trainierte KI prognostiziert den PV-Ertrag von Testdaten mit einem Bestimmtheitsmaß R² von 98 % und einem mittleren absoluten Fehler von 2,33 und damit schon jetzt mit einer guten Genauigkeit. Als Trainingsdaten für die Prognose der Stromverbräuche (KI 2) wurden verschiedene gemessene Mehrfamilienhäuser ausgewählt, deren Datenaufarbeitung bereits abgeschlossen wurde und nun als Lerndatensatz zur Verfügung steht.

Die teilnehmenden Haushalte sollen auf Basis der für den GridOptimizer relevanten Eigenschaften gruppiert werden, um entsprechend der Situation der regenerativen Energieerzeugung kontaktiert zu werden und damit den Zeitpunkt des Stromverbrauchs zu beeinflussen. Dazu gehören Haushaltsgröße, Anwesenheitszeiten und Ausstattung mit Elektrogroßgeräten.

 

Bereits erhältliche Projektergebnisse

Noch keine.

  

Image resource: © Fraunhofer IBP