Windkraftwerke laufen effizienter dank KI

Ein Team um Fernando Porté-Agel von der Eidgenössischen Technischen Hochschule Lausanne (EPFL) will mithilfe eines neuronalen Netzes die Genauigkeit von Windprognosen verbessert haben. Die Forscher nutzen demnach Explainable Artificial Intelligence (XAI), um die oft als Blackbox geltenden KI-Modelle nachvollziehbarer zu machen. Dadurch lassen sich verlässlichere Vorhersagen für die Windenergieerzeugung treffen, wie Pressetext berichtet.

Die Prognosen basieren demnach auf Wettermodellvariablen wie Windrichtung, Windgeschwindigkeit, Luftdruck und Temperatur. Diese Daten wurden mit realen Messwerten aus Windparks in der Schweiz und weltweit kombiniert. Ziel sei es gewesen, die Schwankungen der Windstromerzeugung präziser vorherzusagen, sodass Stromnetzbetreiber ihre Systeme effizienter steuern könnten.

Geringere Fehlermarge, weniger CO2

Eine der grössten Herausforderungen bei der Integration von Windenergie in Stromnetze ist die hohe Volatilität der Erzeugung. Ungenaue Prognosen würden dazu führen, dass Netzbetreiber kurzfristig auf fossile Energieträger zurückgreifen müssten, um die Stabilität des Netzes zu gewährleisten. Das treibt Kosten und CO2-Emissionen in die Höhe, wie es weiter heisst.

"Damit Netzbetreiber die Windenergie effektiv in ihre intelligenten Netze integrieren können, benötigen sie zuverlässige tägliche Vorhersagen der Windenergieerzeugung mit einer geringen Fehlermarge. Ungenaue Vorhersagen bedeuten, dass die Netzbetreiber in letzter Minute einen Ausgleich schaffen und oft teurere Energie aus fossilen Brennstoffen einsetzen müssen", sagt Porté-Agel. Dadurch würden überflüssigerweise die CO2-Emissionen steigen.

Fernando Porté-Agel (r.) und Wenlong Liao entwickeln Windprognosen. (Foto: Alain Herzog, epfl.ch)

Herkömmliche Modelle auf Basis von Strömungsdynamik und Wetterstatistiken weisen demnach eine nicht zu vernachlässigende Fehlerspanne auf. KI ermögliche es, Vorhersagen für die Windenergie zu verbessern, indem sie anhand umfangreicher Daten Muster zwischen Wettermodellvariablen und der Leistungsabgabe von Windturbinen erkennt.

Transparenz stärkt Vertrauen

Die meisten KI-Modelle funktionieren den Experten nach derzeit jedoch als Blackboxen. Oftmals sei es schwierig zu verstehen, wie diese zu bestimmten Vorhersagen kommen. XAI geht dieses Problem an, indem es die Modellierungsprozesse, die zu den Vorhersagen führen, transparent macht, was zu glaubwürdigeren und zuverlässigeren Vorhersagen führt“, wie Pressetext schreibt.

"Wir haben vier XAI-Techniken angepasst und Metriken entwickelt, um festzustellen, ob die Interpretation der Daten durch eine Technik zuverlässig ist", erklärt Wenlong Liao. Als Folge davon reduzierte sich die Fehlerquote bei der Prognose der Windstromerzeugung so weit, dass fossile Kraftwerke tatsächlich nur dann eingesetzt werden müssen, wenn es wirklich nötig ist.

"Betreiber von Stromnetzen fühlen sich nicht sehr wohl, wenn sie auf den Einsatz von fossilen Kraftwerken verzichten, wenn sie sich nicht auf die Windstromerzeugung verlassen können", sagt Jiannong Fang, KI-Experte an der EPFL. "Mit einem XAI-basierten Ansatz lassen sich jedoch zuverlässigere Prognosen der täglichen Schwankungen der Windenergie erstellen und die CO2-Emissionen verringern."