4 Wege, wie künstliche Intelligenz die Energiewirtschaft voranbringt

Die Anwendungen von Künstliche Intelligenz in the energy industry are powering new innovations and helping to develop the smart grid of the future. Christopher Frye, a Kolabtree freelancer, details how artificial intelligence in power plant, with 4 real-world examples.

Künstliche Intelligenz (KI) stellt einen Bereich dar, der in einer Vielzahl von Sektoren ein erhebliches Potenzial birgt, und zwar sowohl in Bezug auf den Wert, den sie schaffen kann, als auch in Bezug auf den Wert, den sie durch die Erschließung bisher ungenutzter Potenziale aufdecken kann. Mit zunehmender Rechenleistung und besser zugänglicher Datenspeicherung kann die KI heute Analysen von Datensätzen auf viel leistungsfähigere und elegantere Weise erstellen als je zuvor.

Einfacher ausgedrückt: KI dehnt ihren Anwendungsbereich auf Aufgaben aus, die traditionell von Menschen ausgeführt werden; in mancher Hinsicht sogar besser als der Mensch. In diesem Blogbeitrag befassen wir uns mit den Auswirkungen dieses Potenzials auf die Energiebranche und insbesondere damit, wie künstliche Intelligenz in Kraftwerken Chancen und Werte für das Stromnetz schafft.

Konvergenz von KI und Energie

Interessant ist, dass in ein Blogbeitrag an Studenten im letzten JahrBill Gates, der Gründer von Microsoft, sagte, dass er, wenn er in der Lage wäre, in die Vergangenheit zurückzugehen und auf eine neue Art und Weise etwas zu bewirken, drei Bereiche in Betracht ziehen würde:

One is artificial intelligence. We have only begun to tap into all the ways it will make people’s lives more productive and creative. The second is energy, because making it clean, affordable, and reliable will be essential for fighting poverty and climate change. The third is biosciences, which are ripe with opportunities to help people live longer, healthier lives.

While biosciences is no less of a noble pursuit, what makes this quote all the more intriguing is the fact that in many respects, AI and energy are converging in ways that – while disruptive – can also mitigate potential negative impacts and facilitate a more orderly energy transformation. The remainder of this post provides insights into how innovations associated with AI are impacting the energy industry, including a few case studies highlighting concrete examples.

Raster-Grundlagen

Before we dive into the details, a few minor points are in order regarding the nature of electric utility operations to ensure a clear understanding of how AI intersects. At its core, the electric industry (still) consists of three primary functional areas: generation, transmission, and distribution. Generation includes all of the sources of electric-generating power including both fossil fuels and erneuerbare Energie; transmission includes high-voltage power lines that transport electricity from its generation source to where it’s needed, facilitated by a distribution system more popularly known as the system of telephone poles that line your street.

This entire system is more popularly known as the “grid”, and in recent years, a significant amount of discussion has centered on making the grid “smarter” or more responsive. While there are competing representations of how one defines the smart grid, at its essence, it is the confluence of the electric system and advanced innovation of information technology and communication. The smart grid is not static. It is a system that entwickelt sich mit den Technologien weiter iterativ getestet und perfektioniert werden. Die Rolle der KI könnte man am besten als das Gehirn des künftigen intelligenten Stromnetzes beschreiben, das Kontrollzentrum hinter Millionen von Sensoren und der Fähigkeit, überwältigende Datenmengen zu synthetisieren und darauf zu reagieren. Wir wenden uns einigen Fallstudien zu, in denen dies bereits der Fall ist.

Künstliche Intelligenz im Kraftwerk: Beispiele

1. KI + Energiespeicherung = Athena

Vorbau, a San Francisco-based company founded in 2009, brings together the power of AI and energy storage to “optimize the timing of energy use”. Through the combination of maschinelles Lernen, prädiktive Analytik and energy storage, Athena, wie das System genannt wird, bildet virtuelle Kraftwerke, um den Wert der Energiespeicherung zu maximieren.

How does it do this? Through analysis of data at a rate of 400 megabytes every minute, the system continuously assesses the time value of energy and makes the most optimal decisions about when energy should be purchased. The process of aggregation across multiple points representing energy storage capacity is what is described as the “virtual power plant”. The proliferation of these distributed resources are increasingly being driven by the growth of what are called distributed energy resources (DER) on the electric grid – primarily through rooftop solar which has in den letzten zehn Jahren erheblich gewachsen.

Die nachstehende Abbildung veranschaulicht dieses Konzept in visueller Form:

Quelle: A Virtual Power Plant Architecture for the Demand-Side Management of Smart Prosumers – Scientific Figure auf ResearchGate. [Zugriff am 3 Nov, 2018]

 

In diesem Beispiel steht EES für elektrische Energiespeicherung, DG für dezentrale Erzeugung und MV und LV für Mittel- bzw. Niederspannung.

The process of this aggregation into a virtual power plant is conducted continuously, leveraging AI to develop predictive analytics across a variety of variables – such as weather, energy consumption levels, tariff (electricity rate) options, among others and automate the process of real-time calculations. The result provides aggregated load reductions that can provide relief during periods of unprecedented heat waves (though thanks to climate change becoming less unprecedented). This is something that the Stem system deployed mehr als 600 Mal auf dem kalifornischen Großhandelsmarkt im Jahr 2017.

2. AI erleichtert das Management erneuerbarer Energien

Da die Auswirkungen des Klimawandels und die fortgesetzte Nutzung fossiler Brennstoffe drives renewable energy growth – now accounting for a fifth of global electricity productionAber es gibt einen Aspekt dieses Wachstums, den viele vielleicht nicht erkennen. Die zunehmende Menge an erneuerbarer Energie stellt die Netzbetreiber vor die Herausforderung, diese Quellen in das bestehende Stromnetz zu integrieren.

Da diese Artikel aus dem Scientific American weist darauf hin:

Intermittierende erneuerbare Energien stellen eine Herausforderung dar, weil sie die konventionellen Methoden zur Planung des täglichen Betriebs des Stromnetzes stören. Ihre Leistung schwankt über mehrere Zeithorizonte und zwingt den Netzbetreiber, seine Day-Ahead-, Hour-Ahead- und Echtzeit-Betriebsverfahren anzupassen.

Since solar or wind could be impacted simply by random clouds or difficult to predict wind patterns, this challenge is compounded on a minute-by-minute basis to ensure that the electric grid continues to maintain consistent, reliable power. This is another area where AI shines (no pun intended). We profile two such innovations below – the first is associated with managing solar resources and the second involves aggregating multiple streams of data and combining weather forecasting and machine learning to optimize renewable energy operations.

3. VADER - Sichtbarkeit in verteilten Energienetzen

Nein, Vader bezieht sich hier nicht auf den dunklen Lord, sondern auf eine Plattform, die Daten von Photovoltaikanlagen und intelligenten Zählern kombiniert, um den Stromverbrauch und das Verhalten dezentraler Energieressourcen wie Aufdach- oder Freiflächensolaranlagen zu modellieren. VADER steht für Visualisierung und Analytik von Verteilungssystemen mit tiefer Durchdringung von Distributed Energie Resources (oder wiederum DER).

Das Herzstück all dieser Innovationen ist maschinelles Lernen und KI-basierte Algorithmen; it can “model potential changes in connectivity and the behavior of DERs on the grid, enabling the real-time optimization and automation of distribution planning and operation decision for utilities”. Below is a glimpse at some of the platform’s application screens.

Quelle: Büro für Energieeffizienz und erneuerbare Energie 

4. Nnergix - Schnittpunkt von Meteorologie, Analytik und Energie

Nnergix is a Barcelona-based outfit founded in 2013 that brings together a mass of data and through the process of AI-based algorithms and analytic models to both manage renewable energy and optimize spinning reserves. Spinning reserves – in the simplest sense – are those generation resources that are on-line though not loaded and can respond within a short amount of time in the event a generator or transmission resource goes down.

Die Zukunft von KI und Energie

Die oben angeführten Beispiele sind nur ein Vorgeschmack auf das, was letztlich möglich ist. Es gibt noch viele weitere Beispiele für den Einsatz von KI, die sich auf die Energieversorgung auswirken, z. B: kurzfristige Lastvorhersagevorausschauende Wartung, um alternde Ressourcen zu ersetzen (bevor kostspielige Reparaturen anfallen, wenn sie schließlich ausfallen), der Einsatz von virtuelle Assistenten zur Verbesserung der Kundenerfahrungund Nutzung von KI, um Einblick in Ihre Stromrechnung zu erhalten.

Natürlich sind diese Innovationen nicht ohne Risiken (wie Datenschutz oder Abhängigkeit von mit dem Internet verbundenen Geräten), aber mit der Rechenleistung und der Verfügbarkeit von Daten gibt es potenziell weitere Bereiche, in denen künstliche Intelligenz in Kraftwerken von Nutzen ist. Die einzige zusätzliche Zutat, die erforderlich ist, ist Kreativität.

---
Benötigen Sie einen Experten für künstliche Intelligenz? Nehmen Sie Kontakt auf mit einem freiberufliche Wissenschaftlerin auf Kolabtree.