/  01. April 2020  -  31. März 2022

TRANSFER - Transfer Learning für die Energiewende

Projektpartner enercast GmbH; Universität Kassel, Fachgebiet Intelligente Eingebettete Systeme IES
Förderung BMWi  
Projektlaufzeit 01.04.2020  -  31.03.2022
Bearbeitende Dr.-Ing. Dinah Elena Hollermann, Dominik Beinert, Katharina Brauns, René Heinrich und Stephan Vogt

 

TRANSFER - Transfer Learning als essentielles Werkzeug für die Energiewende

 

Hintergrund

In fast allen Bereichen der Energiewende spielen die Digitalisierung sowie der gezielte Aus-tausch und die Nutzung von Informationen eine eminent wichtige Rolle, um etablierte, aber auch neue Prozesse innerhalb einer sich verändernden Energielandschaft gezielt verbessern zu können. Der stetig fortschreitende Ausbau Erneuerbarer Energien, die damit einhergehen-den Maßnahmen und Geschäftsmodelle zur Flexibilisierung von Erzeugung und Verbrauch sowie die wachsende Anzahl von Komponenten und Stakeholdern innerhalb des Energiesys-tems führen zu einer enormen Steigerung der Komplexität und Rechenkapazität im Hinblick auf die Modellierung und Berechnung von Systemzuständen.

Für etablierte Prozesse und Systemkomponenten liegen meist genügend Informationen vor, um diese geeignet modellieren zu können. Verfahren der Künstlichen Intelligenz (KI) haben sich für die Modellierung schon vielmals bewährt, solange ausreichend Informationen in Form von historischen Mess- und Prozessdaten zur Verfügung stehen. Die neue Herausforderung liegt in der automatisierten Erstellung zuverlässiger Modelle für neu integrierte Systemkompo-nenten und -prozesse, für welche nur wenige bis keine Informationen vorliegen.
Projektziel
Ziel dieses Projektes ist es, die Idee des maschinellen Wissenstransfers ähnlicher Systeme und Systemzustände flexibel für den Betrieb von neuen oder sich verändernden technischen Infrastrukturen innerhalb des Stromversorgungssystems zu nutzen, um robuste Zustandsbestimmungen und Prognosen für neue und sich verändernde Systemkomponenten zuverlässig und ohne großen Rechenaufwand erstellen zu können. Der Umgang mit fehlenden und sich ändernden Datengrundlagen wird hierbei einen Schwerpunkt bilden. Im Mittelpunkt zur Problemlösung steht die Schaffung von allgemeingültigen Modellen des Transfer Learning zum automatisierten Wissenstransfer zwischen einzelnen Systemkomponenten. Die Modelle werden vorab geschätzte und im Laufe des Betriebs überprüfte Ähnlichkeiten zwischen Systemkomponenten erkennen und nutzen, um zuverlässige und nachvollziehbare Lösungen z.B. für Prognosen zu generieren. Die entwickelten Modelle werden gemeinsam mit den Partnern aus der Wissenschaft und Wirtschaft anhand realer Use-Cases und Datensätze aus dem energiewirtschaftlichen Themenfeld erprobt und innerhalb anwendungsnaher Prototypen demonstriert.

Themenschwerpunkte und Arbeitsaufteilung

Das Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE übernimmt neben inhaltlichen Arbeiten auch die Koor-dination im Projekt TRANSFER. Hierbei steht insbesondere die Entwicklung und Anwendung von Methoden des Transfer-Learnings (TL) und des Multi-Task Learnings (MTL) für die Vorhersage von vertikalen Leistungsflüssen an Transformatoren des Übertragungsnetzes und bei der Anwendung in der Prognose von Photovoltaik-Speichersystemen im Vordergrund.

Das Fachgebiet Intelligente Eingebettete Systeme IES der Universität Kassel bearbeitet Fragestellungen zu Ähnlichkeitsmessungen und Wissenstransfer. Dazu werden verschiedene Ansätze zum TL und MTL auf Windleistungs-Prognosen und Photovoltaik-Prognosen angewendet und weiterentwickelt. Abschließend unterstützt IES den Projektpartner enercast bei der Überführung der entwickelten Methoden in das Testsystem.

Die enercast GmbH als KMU unterstützt mit ihrem Wissen aus der industriellen Praxis. Die enercast GmbH implementiert dazu Methoden des Wissenstransfers und wendet diese in einem Testsystem auf die Problemstellung der Windenergie- und Photovoltaik-Prognose an. Ziel ist hierbei die Evaluation der entwickelten Methoden um den Nutzen unter realen Rahmenbedingungen zeigen zu können.
Kassel