KI im Dienste der Energieversorger

Energieversorger spielen eine Schlüsselrolle bei der Dekar­bo­ni­sie­rung von Gebäuden, sei es durch den Einsatz von Wärmenetzen, Solaranlagen oder durch die Unterstützung von Städten bei der Erstellung territorialer Energiepläne. Doch angesichts der Tatsache, dass zwei Drittel der Gebäude immer noch mit fossilen Brennstoffen beheizt werden, nur 1% jährlich renoviert werden und ein Mangel an qualifizierten Arbeits­kräften herrscht [1, 2], stellt sich eine neue Heraus­forderung: Wie können wir die Klimaziele in der nötigen Geschwin­digkeit und dem erforderlichen Umfang erreichen? Heute ermöglichen innovative digitale Lösungen, mehr mit weniger zu erreichen, indem sie die bestehenden Teams produktiver machen und es ermöglichen, die begrenzten Ressourcen – finanziell, zeitlich und materiell – auf die wirkungs­vollsten Projekte zu konzentrieren.

Urbio, ein Schweizer Software­ent­wicklungs­unter­nehmen, hat ein Tool entwickelt, das an drei Fronten innovativ ist und in einer Web­plattform verlässliche Daten, interaktive Karten und ein sogenanntes «gene­ra­ti­ves Design»-Modul miteinander verbindet. Dieses Modul, das sich derzeit im Patent­verfahren befindet, ermöglicht die intuitive Gestaltung von geo­referen­zierten Energie­szenarien, ähnlich wie man heute Textinhalte mit Tools wie ChatGPT erstellt.

Ein komplexes Energiesystem

Der grossflächige Einsatz von Wärme­pumpen, Wärme­netzen, Solar­anlagen, Lade­stationen und anderen dezentralen Systemen macht die Aufgabe der Energie­versorger immer komplexer. Früher waren die Energieflüsse relativ einfach, kamen aus wenigen zentralen Quellen und wurden zu relativ vorher­sehbaren Verbrauchern geleitet. Heute verschwimmen die Rollen und Grenzen, insbesondere durch die Abhängigkeit von fluktuie­renden Ressourcen und durch das Aufkommen von «Prosumern», die den Strom, den sie dezentral erzeugen, auch selbst verbrauchen.

Darüber hinaus führen fragmentierte oder gar fehlende Datenquellen zu Unsicher­heiten bei Investitionen in kapital­intensive Projekte. Angesichts der Billionen von Franken, die weltweit in die Dekar­bo­ni­sie­rung von Gebäuden investiert werden, und einem sich verknappenden Arbeitsmarkt ist eine effektive Planung im Vorfeld entscheidend, um sicherzustellen, dass die lokalen Akteure ihre Anstrengungen auf die rentabelsten und effektivsten Projekte konzentrieren, um ihre CO₂- und Erneuerbare-Energien-Ziele zu erreichen.

Derzeit verfügen wir nicht über die personellen Ressourcen, um diese Pläne im nötigen Tempo und Umfang umzusetzen, um die Ziele des Pariser Abkommens zu erreichen. Traditionelle Methoden sind zeitaufwendig und schränken die Fähigkeit ein, das Spektrum der Möglichkeiten systematisch und dynamisch zu erkunden.

Ausserdem müssen die Daten, die für Investitions­ent­schei­dungen verwendet werden, strukturiert und leicht zugänglich sein, um die Überwachung und Aktualisierung von Geschäfts­plänen für Infra­struktur­projekte in einem dynamischen Umfeld zu ermöglichen, in dem sich die Parameter fast täglich ändern.

Daten, Kartografie und KI: Ein Erfolgsrezept

Hinter den Kulissen des Inno­vations­parks Energypolis im Wallis hat das Start-up Urbio eine Web­platt­form entwickelt, die drei innovative und ergänzende Module vereint (Bild 1). Ziel ist es, Energie­versorgern und Ingenieurbüros zu ermöglichen, die interes­santesten Möglichkeiten zehnmal schneller zu identi­fizieren als bisher. Die Plattform erlaubt es den Nutzern, die besten Chancen auf nationaler Ebene zu erkennen und dann die Energiesysteme sowie ihre technisch-ökonomischen Parameter zu dimensionieren, und zwar auf der Grundlage einer schlüsselfertigen Datenbank, die an die eigenen Präferenzen angepasst werden kann.

Jedes Modul hat eine spezifische Funktion. Die «Data Factory» zentralisiert und kombiniert mehr als 80 verschiedene Datenquellen, darunter auch Open Data. Ergänzt werden diese durch Attribute aus Machine-Learning-Modellen und Nutzer­daten­banken. Während in der Vergangenheit die Kosten für die manuelle Daten­erfassung und Verarbeitung bis zu 50% des Budgets für die Energie­planung betragen konnten, kann Urbio die Kosten auf weniger als 1% des Gesamt­budgets senken.

Der «Digital Twin» oder digitale Zwilling funktioniert wie Google Maps für Energiedaten. Statt wie auf der Google-Plattform nach Gourmet-Restaurants oder Wanderwegen zu suchen, loggt sich der Nutzer bei Urbio ein, um Informationen über den Wärmebedarf eines Gebäudes oder der Dach­beschich­tung zu finden. Während solche Erkundungen heute in klassischen geo­gra­fischen Infor­mations­systemen möglich sind – wenn man über entspre­chende Kenntnisse verfügt –, demokratisiert Urbio diese Tools, sodass ganze technische und kauf­männische Teams ohne umfassende Schulungen vom Mehrwert visueller und interaktiver Karten profitieren können. Ein weiterer Vorteil: Der digitale Zwilling von Urbio ermöglicht es, Millionen von Gebäuden gleichzeitig und in Echtzeit zu erkunden, zu filtern und zu aggregieren.

Schliesslich automatisiert das «Generative Design», das auf künstlicher Intelligenz basiert, die Erstellung von geo­referen­zierten Szenarien, die auf den Zielen und Ein­schrän­kungen des Benutzers basieren. Da das Modell auf einem vollständigen und transpa­renten Datensatz basiert, liefert es präzise und aktuelle Ergebnisse. Während die manuelle Erstellung eines Szenarios mit Daten­auf­bereitung und Problem­modellierung mehr als 40 Stunden brauchen kann, liefert die KI von Urbio vergleichbare Ergebnisse in 5 Minuten.

KI als Arbeitsbegleiter

Über die zugrunde liegenden Algorithmen hinaus innoviert Urbio auch in der Art und Weise, wie Nutzer mit der Plattform interagieren, um die gewünschten Ergebnisse zu erzielen. Obwohl es dem Namen nach der «Generativen KI» ähnelt, unterscheidet sich das generative Design von Urbio von den Sprach­modellen (LLM), die beispiels­weise bei ChatGPT verwendet werden. Während diese Tools in der verbalen Inter­aktion mit Nutzern zur Erstellung kreativer textlicher oder visueller Inhalte hervorragend sind, bleiben die Ergebnisse oft unerklärlich und begrenzt, wenn es darum geht, mit Zahlen oder räumlichen Informationen zu arbeiten. Im Gegensatz dazu entwickelt Urbio eine patentierte Lösung, die es ermöglicht, optimierte und erklärbare geo­referen­zierte Net-Zero-Szenarien zu erstellen, während sie eine intuitive Interaktion direkt auf einer Karte ermöglicht. Statt sich darauf zu verlassen, dass die Maschine eine fertige Lösung produziert – die der Komplexität der realen Welt selten gerecht wird –, gestalten die Nutzer ihren Plan iterativ, indem sie ihr Fachwissen und kontextuelle Kenntnisse einbringen, während die Algorithmen die Kennzahlen in Echtzeit neu berechnen und verschiedene Ziele wie CO₂-Emissionen, Investitionskosten oder andere optimieren. So bleibt der Nutzer am Steuer und sein digitaler «Begleiter» unterstützt seine Handlungen im Hintergrund.

Mit generativem Design können Akteure im Energie­bereich grössere Gebiete viel schneller als bisher untersuchen. Und mit besseren Ergebnissen, da verschiedene Optionen mit geringerem Aufwand verglichen werden können, wodurch sich die Investitions­rendite erhöht. Das Ergebnis ist, dass Ingenieure und Vertriebsteams mehr Zeit damit verbringen, den Kunden einen Mehrwert zu bieten, als Daten und Szenarien vorzubereiten.

Wie Energieversorger von Urbio profitieren

Wärmenetze sind für viele Schweizer Energieversorger wie Romande Energie, Groupe E oder Oiken ein aktuelles Thema. In der Deutsch­schweiz wollte CKW wissen, welches die nächsten Schwer­punkt­gebiete für den Ausbau von Wärmenetzen in ihrem Tätigkeits­bereich sind. Angesichts der Notwendigkeit, in einem dynamischen Umfeld schnell zu handeln, suchten sie nach Möglichkeiten, ihren Prozess zu verbessern.

In der Vergangen­heit waren diese Bewer­tungen mit einem hohen manuellen Aufwand verbunden: Sammlung der Gebäudedaten, Kartierung der Basisdaten in Desktop-GIS-Tools und anschlies­sende Anpassung von Wärme­bedarfs­modellen in Ad-hoc-Tabellen­kalku­latio­nen. Die Prozesse litten unter lückenhaften Daten und repetitiver Arbeit. Mit Urbio konnte CKW den gesamten Prozess auto­matisieren, wertvolle Arbeits­stunden einsparen und es dem Team ermöglichen, sich auf die Erkundung von Szenarien mit Hilfe von schlüssel­fertigen Karten und Kennzahlen zu konzentrieren (Bild 2).

Der Hauptvorteil dieses komplett digitalisierten Ansatzes besteht darin, Varianten mit unterschiedlichen Zielen zu vergleichen und nur diejenigen auszuwählen, die den angestrebten strategischen Zielen entsprechen. Bild 3 zeigt, wie drei indikative Szenarien – die von der KI in Echtzeit entsprechend den Zielen des Nutzers generiert werden – einfach miteinander verglichen werden können. Szenario 1 stellt eine ambitionierte Lösung dar, bei der alle Gebäude des Standorts an das Netz angeschlossen werden. Dies führt zu einer maximalen Reduktion der Treibhaus­gas­emis­sionen, ist aber auch mit den höchsten Investitionskosten verbunden. Im Gegensatz dazu wird in Szenario 3 nur ein einziger Gebäudetyp angeschlossen, nämlich die mit Heizöl beheizten Gebäude. In diesem Szenario können fast 84% der Emissionen eingespart werden, obwohl nur 14% der Gebäude angeschlossen werden und nur etwa ein Zehntel der Inves­titions­kosten anfällt, was eine strategische Lösung darstellt, wenn dies das angestrebte Ziel ist. Letztlich liegt die Entscheidung bei den Nutzern, die über die Plattform mehr als hundert verfügbare Kriterien erkunden können, um so ihre Investitionen zu optimieren.

Referenzen

[1] Luigi Jorio, Ein Jahrhundert, um alle Gebäude der Schweiz zu sanieren, swissinfo.ch, 2020.
[2] Justine Fleury, «Faute de main-d’œuvre qualifiée, la Suisse pourrait rater sa transition énergétique», Agefi, 2021.