Anwendungsfälle des supervised machine learning in der Energiewirtschaft
Supervised machine learning setzt grundsätzlich große Datensätze mit bekannten In- und Outputs voraus, aus denen die Algorithmen auch die Zusammenhänge erkennen können. Ist dieser Zusammenhang erlernt, kann für neuen Input auch neuer Output berechnet werden.
Dafür kommt auch der Einsatz des Unsupervised learnings in Frage. Ist dies der Fall, sind die Anwendungsfälle sehr vielseitig und in allen Teilen der energiewirtschaftlichen Wertschöpfungskette zu finden:
- Energieerzeugung:
- Fehlerdiagnose in PV-Modulen (auch in größeren Freiflächenanlagen)
- Predictive Maintenance für Wartung und Instandhaltung von Turbinen aller Art, Windenergieanlagen, Blockheizkraftwerken und sonstigen Erzeugungsanlagen
- Prognose des Outputs von EE-Anlagen
- Automatische Analyse und Identifikation von Schäden durch die Auswertung von Drohnenbildern, Luft- oder Satellitenbildern
- (Fluid)Simulationen in der Berechnung neuer Anlagen (vgl. Wind-/Wasserkraft oder Turbinen)
- …
- Energiehandel:
- Automatisierter Handel von Überschüssen auf dem Strommarkt
- Verbesserte Bilanzkreisprognosen v. a. durch genauere und individuellere Verbrauchs- und Erzeugungsprognosen (bilanzkreisscharf)
- Vorhersagen von Absätzen und Märkten
- Optimierung von virtuellen Kraftwerken
- Automatisierter Handel von Strommengen auf Börsen oder in einem P2P-Markt
- Prognose des Preises von Rohstoffen
- …
- Energienetze:
- Analyse von Smart Meter Daten für die Anomaliedetektion
- Betriebsoptimierung von Smart Grids z. B. durch bessere Prognosen und dadurch gezieltere Anlagensteuerung
- Simulation von Netzen durch KI statt Lastflusssimulation (in nahezu Echtzeit)
- Überwachung von Netzen und Detektion von Anomalien (z. B. Rauch, fallende Bäume, erhöhte Verluste)
- Prognosen von Erzeugung und Verbrauch für besseres Engpassmanagement und die Beschaffung von Regelleistung, Redispatch-Kapazitäten etc.
- Predictive Maintenance für Stromkabel oder sonstige Assets
- Abschätzung des Netzstatus (z. B. in Mittel- und Niederspannungsnetzen) in Echtzeit
- Identifikation von Lecks in Pipelines und Gas-, Wasser- oder Fernwärmeleitungen bzw. von Diebstahl
- Identifizierung von Störungen im Strom-/Gas-/Wasser- und Wärmefluss
- Predictive Maintenance für Netzassets (Umspannwerke, Leitungen etc.)
- …
- Smart Home:
- Gebäudeenergiemanagement
- Identifikation von Energiesparmaßnahmen in Privathaushalten
- Intelligente Raumklimatisierung in Abhängigkeit von Personen/Aktivitäten
- Disaggregation von Lastgängen
- Erkennung von Anomalien z. B. durch defekte Geräte, Wasser- oder Gasleitungen
- …
- Sonstige:
- Chatbots im Bereich des Kundenservice
- Verbesserte Wetterprognosen
- …
Die Anzahl möglicher Anwendungsfälle ist sehr groß und variiert stark von Wertschöpfungsstufe zu Wertschöpfungsstufe. Insbesondere das Supervised learning ist in vielen Branchen – so auch der Energiewirtschaft – eine wichtige Technologie zur Nutzung großer Datenmengen. Um Daten zu erfassen und diese auch in verwendbare Form zu bringen, ist jedoch eine gezielte und geordnete Digitalisierung erforderlich.
Weitere Informationen: