Der Energiesektor steht vor einigen Herausforderungen. Energie wird zunehmend dezentral erzeugt, zum Beispiel über Windräder und Solarparks. Hinzu kommt die zunehmende Elektrifizierung energieintensiver Bereiche wie dem Wärmesektor und dem Verkehr. Hinzu kommt, dass das Mittelspannungsnetz noch wenig überwacht und gesteuert wird.

Sebastian Storch, wissenschaftlicher Mitarbeiter am KI-Produktionsnetzwerk der TH Augsburg, sieht hier einige Chancen für Netzbetreiber: „Mit der zunehmenden Digitalisierung und Fortschritten in der KI-Forschung lässt sich die Steuerung und Überwachung von Mittelspannungsnetzen noch deutlich weiter optimieren. Einerseits braucht es hierzu eine Datengrundlage. Andererseits innovative Verfahren für Prognosen basierend auf komplexen Datenmustern. An beidem arbeiten wir an der THA gemeinsam mit unseren Partnern aus der Region.“

Storch stellte auf der EnInnov solche Lösungen zur Prognose des Netzzustands in Mittelspannungsnetzen vor. Zum einen erstellte Storch ein Grundmodell, das zwei Deep-Learning-Verfahren verknüpfte. Deep Learning ist eine Form der Künstlichen Intelligenz, die komplexe Datenmengen mittels künstlicher neuronaler Netze analysiert. Das Grundmodell liefert bereits gute Ergebnisse, die die Anforderungen der Netzbetreiber erfüllen. Zudem wurden zwei Verfahren zur Vorhersage von Extremwerten im Stromnetz entwickelt. Diese Prognosen ermöglichen Netzbetreiber sich auf die zu erwartenden extremen Netzauslastungen vorzubereiten, um rechtzeitig entsprechende Gegenmaßnahmen zu ergreifen. Zudem wurde analysiert, an welchen Stellen im Mittelspannungsnetz Messungen installiert werden sollten, um den Netzzustand möglichst präzise zu prognostizieren und eine Grundlage für die KI-basierten Konzepte zu schaffen.