Cyber-physisches Energiesystem

Die vollständige Umstellung der Energieversorgung auf erneuerbare Energien in allen Bereichen ist ein unerlässlicher Beitrag zum Erreichen der Klima­neu­tra­lität. Dazu müssen nicht nur Erzeugung und Verbrauch elektrischer Energie in Einklang gebracht, sondern auch Infrastrukturen, wie z. B. Stromnetze, zuverlässig und effizient betrieben werden. Mit der zuneh­menden Digitali­sierung wird aus den historisch gewachsenen Energie­versor­gungs­strukturen ein komplexes und dynamisches cyber-physisches Energiesystem (CPES), in dem Zehntausende von physischen und digitalen Komponenten miteinander interagieren.

Die aktuelle anwen­dungsnahe Forschung widmet sich der Realisierung cyber-physischer Energiesysteme mit ganz unterschiedlichen Heraus­forderungen – energieeffizienten Smart-City-Quartieren, inter­ope­rablen System­architekturen, Forschungs­daten­manage­ment bis hin zu Konzepten für den resilienten Betrieb digitalisierter Infrastrukturen der Energie­versorgung.

Dieser Kontext intelligenter Energiesysteme bietet eine Vielzahl von Anwen­dungs­möglichkeiten für künstliche Intelligenz: Von der Prognose von Netzzuständen im Verteilnetz mit geringer Messpunktabdeckung über die automatisierte Umsetzung von System­dienst­leistungen wie Redispatch oder Blind­leistungs­management bis hin zur algorithmisch unterstützten Aggregation und Vermarktung von Flexibilität aus dezentralen (Kleinst-) Anlagen am Energiemarkt. Künstliche Intelligenz ermöglicht nicht nur individuell smart agierende Einheiten, sondern hilft auch dabei, das Potenzial vernetzter und interagierender (Teil-) Systeme effizient und zuverlässig zu erschliessen.

Im Folgenden werden einige zentrale Themen vorgestellt und so das aktuelle Forschungs- und Entwick­lungs­umfeld umrissen. Diese Arbeiten eint eine Vision – AI-empowered Energy Systems. Dabei betrachten wir drei Bereiche: neue Heraus­forde­rungen im Bereich der Netzstabilität, optimierte Nutzung von Flexibilitäten in CPES sowie neue Energiemärkte.

Netzzustands­prognose mit neuronalen Netzen

Um auch im Zuge des Ausbaus der erneuer­baren Energien eine stabile Betriebs­führung von Verteilnetzen zu erreichen, ist mehr Netz­transpa­renz nötig. Diese wird normaler­weise durch Sensorik gewährleistet, deren vollständiger Ausbau jedoch aus Kostengründen nicht möglich ist. Neue Ansätze erweitern die klassische State Estimation aus dem bisherigen Einsatz­bereich der Über­tragungs­netze auf die Anwendung in Verteilnetzen: KI-basierte Ansätze überführen die etablierte State Estimation in eine Neural State Estimation. Auf Basis dieser Technologie – insbesondere durch den Einsatz von Deep-Learning-Ansätzen, die sich gerade auch zum Erkennen von Zusammen­hängen in Zeitreihendaten eignen – können Netzzustände bei geringer Messpunkt­abdeckung zuverlässiger und genauer prognostiziert werden als bisher. Der Weg zur Anwendung in Verteil­netzen wird somit geebnet.

Primär­regel­leistung mit neuen Akteuren

Auch System­dienst­leistungen mit hohen Anfor­derungen müssen künftig von diversen Akteuren in Stromnetzen erbracht werden. Am Beispiel der Batterie­systeme einer Flotte von auto­matisierten Schwer­last­fahr­zeugen (Automated Guided Vehicles, AGVs) wurde ein entsprechendes System im Hamburger Hafen umgesetzt. Dazu wurde ein System entwickelt, welches die für den Container­umschlag nötigen Transport­leistungen der Fahrzeuge mithilfe neuronaler Netze kontinuierlich prognostiziert und mögliche Batterie­kapazitäten und Zuweisungen von Ladestationen zu Fahrzeugen optimierend plant. Es kann so einerseits durch reaktive Flexibilität in Form von Regel­leistung zur System­stützung und andererseits durch proaktive Flexibilität in Form von gezielten Lade­vorgängen auf Bedarfe des Energiemarkts eingegangen werden.

Ein von Offis entwickeltes Flexi­bilitäts­mana­ge­mentsystem plant, koordiniert und überwacht die Ladevorgänge sowie die AGVs auf Basis agentenbasierter Optimierung. Das Logistik-integrierte System hat den Feldtest im Hamburger Container-Terminal Altenwerder erfolgreich absolviert – rund 90 autonome Schwer­last­transporter können nun bis zu 4 MW symmetrische Flexibilität für die Frequenzhaltung bereitstellen.

Selbstorganisiertes Flexi­bilitäts­mana­ge­ment

Batteriespeicher sind ein wichtiger Baustein für Energie­ver­sorgungs­systeme, die vorrangig erneuerbare Energien nutzen. Die Flexibilität von Batteriespeichern ermöglicht es, kurzfristige Schwankungen von PV-Anlagen und Windkraft auszugleichen und mit den Energiebedarfen von Haushalten, Gewerbe und Industrie in Einklang zu bringen. Gleichzeitig werden für elektrische Energie­speicher kostbare Ressourcen genutzt, die es optimiert und damit nachhaltig einzusetzen gilt. Um die heute zudem noch relativ teuren Speicher­systeme wirtschaftlich und technisch optimal zu nutzen, werden Möglichkeiten einer Multi-Purpose-Nutzung von Batterie­speichern erprobt.

In Projekten des Offis mit der be.storaged GmbH wurden Speicher zu einem Speicher­schwarm vernetzt, um die entste­henden Freiheits­grade an Flexi­bili­täts­märkten anbieten zu können. Moderne Verfahren aus dem maschinellen Lernen und aus der verteilten künstlichen Intelligenz erlauben die Analyse, Vorhersage und verteilte Optimierung der Flexi­bilitäts­potenziale. Kern des Speicher­schwarms ist ein selbst­organi­sierendes Agenten­system: Intelligente Agenten, d.h. (eingeschränkt) autonome und lernfähige Software, managen die Flexibilität einzelner Batterie­speicher und ermöglichen die Nutzung der Gesamt­flexibilität des Batterie­speicher­schwarms. Der Speicher­schwarm wurde in einem Feldtest erprobt und wird aktuell produktiv weiterentwickelt.

Flexibilitäten zur Systemstabilisierung

Mit dezentralen Anlagen können nicht nur Netzzustände in Verteilnetzen erkannt, sondern auch Instabilitäten und Engpässe behoben werden, um postfossile Zielszenarien unter Wahrung der Versor­gungs­sicher­heit zu erreichen.

Der aktuell skizzierte Redispatch-Prozess deckt dabei die Erfordernisse zur Integration von Kleinstanlagen noch nicht ab. Damit auch diese Flexibilitäten aus den Verteilnetzen in den Redispatch-Prozess eingebunden werden können, werden in aktuellen Forschungs- und Entwick­lungs­arbeiten standardisierte Schnittstellen für den Flexi­bilitäts­abruf entwickelt sowie eine robuste, anlagenscharfe Nachweiserbringung und Abrechnung on-the-edge von dezentralen Anlagen an der Schnittstelle zu Flexi­bilitäts­platt­formen konzipiert.

Die resultierenden Systeme setzen u. a. wegen der anfallenden Datenmengen und entsprechender Anforderungen an die Skalierbarkeit Konzepte aus dem Bereich der verteilten Systeme um. Neben Ansätzen der verteilten KI und kontrollierten Selbstorganisation stehen Ansätze für die sichere Identifikation von Anlagen über sogenannte self-sovereign identities im Fokus der Arbeiten.

Selbstlernende Akteure an System­dienst­leistungs­märkten

Schon jetzt erzeugen in Deutschland mehr als zwei Millionen PV-Anlagen Strom, bis 2030 sollen 15 Millionen Elektroautos unterwegs sein. Hinzu kommen Windparks, Wärmepumpen und Batteriespeicher. Für sich genommen sind die kleinen Verbraucher und Erzeuger von erneuerbaren Energien nicht problematisch, aber in ihrer Gesamtheit können Gleich­zeitig­keitseffekte zu Instabilitäten führen.

Künftig sollen private Kleinanlagen auch bei Engpässen mit herangezogen werden, um diese wieder zu beheben oder zumindest abzu­schwächen. Dabei sollen auch diese Aufgaben aus dem Bereich der Netzbetreiber marktbasiert erfolgen. Wie aber sieht ein geeignetes Marktdesign aus? Aktuelle Forschungs­arbeiten fokussieren die Entwicklung von Tools für die Analyse möglicher Marktdesigns in diesem Kontext. Auswirkungen neuer Marktregeln auf das Akteursverhalten und damit auf die Resilienz des Stromsystems sollen so bewertet werden können. Der Einsatz und die Weiterentwicklung von Open-Source-Software und die umfassende Nutzung und Bereitstellung von Open Data sind dabei zentral.

Verfahren der künstlichen Intelligenz, insbesondere aus dem Bereich der selbst­lernenden Systeme, werden mit bewährten Simulations­techniken kombiniert, um die Interaktionen zwischen Prosumern, die am Markt agieren, und der elektrischen Infrastruktur simulativ abzubilden. Dabei sollen die Marktteilnehmer in der Simulation eigenständig Gebotsstrategien lernen, um eine adaptive und damit realitätsnahe Reaktion der Prosumer auf Marktanreize untersuchen zu können.

Schwachstellen­analyse in neuen Märkten

Moderne Energiesysteme werden als cyber-physische Energiesysteme (CPES) verstanden, in denen digitale und physische Komponenten interagieren. Aufgrund der fortschreitenden Digitalisierung wächst auch die Angriffsfläche für Cyber-Angriffe. Traditionelle Methoden zur Analyse der Betriebssicherheit stossen dabei an ihre Grenzen, sodass Interaktionen zwischen Komponenten eines CPES sowie das Einwirken von externen Akteuren und Angreifern nicht vollständig erfasst werden können. Deshalb werden neue Analysemethoden benötigt, um systemische Schwachstellen und potenzielle Sicherheitsrisiken solcher komplexen CPES aufzudecken.

Eine Schlüssel­technologie dazu stellt das sogenannte Adversarial Resilience Learning (ARL) dar. Im Kern der Methodik stehen zwei Akteure: eine angreifende und eine verteidigende künstliche Intelligenz. Der Angreifer sucht nach Schwachstellen und versucht, den Systemzustand negativ zu beeinflussen, während der Verteidiger geeignete Gegen­mass­nahmen lernt, um das System zu stabilisieren. Angreifer und Verteidiger trainieren sich somit indirekt gegenseitig.

Fazit

Mit der Trans­formation der Energiesysteme zu cyber-physischen Energie­systemen ergeben sich neue Heraus­forde­rungen bezüglich der Systemstabilität, der Marktsysteme, der Cyber-Security und vor allem der Beherrschbarkeit der resultierenden Komplexität. Selbst­organi­sierende und KI-basierte Ansätze zeigen in diesem Umfeld grosse Potenziale und kommen schon heute im Feld zum Einsatz. Dem Forschungs­daten­manage­ment kommt in diesem Zusammen­hang eine besondere Rolle zu, um die Effizienz der Forschung im Spannungsfeld zwischen industrieller Anwendung und neuen Ansätzen der Forschung zu verbessern.