E5 (BR3): Automatisierte und Interpretierbare Modellierung des Energiemarkts mit Hilfe Maschineller Lernverfahren
Grüner Wasserstoff wird weithin als einer der zentralen Bausteine einer nachhaltigen Energiewende angesehen. Dabei sollte berücksichtigt werden, dass Wasserstoff lediglich dann nachhaltig bzw. "grün" produziert wird, wenn der für die Wasserelektrolyse verwendete Strom exklusiv aus nicht-fossilen (d. h. erneuerbaren bzw. regenerativen) Energiequellen wie beispielsweise Photovoltaik, Wind- oder Wasserkraft gewonnen wurde. Um eine dauerhafte Wirtschaftlichkeit der Wasserelektrolyse zu gewährleisten, sollte für die Wasserstoffproduktion primär "überschüssige" Energie verwendet werden. Das heißt, der Wasserstoff sollte insbesondere in solchen Zeiten produziert werden, in denen der Energiebedarf (über einen längeren Zeitraum) geringer ist, als das währenddessen verfügbare Energiepotenzial bzw. -angebot.
Um diese "überschüssige" Energie akkurat prognostizieren und somit möglichst effizient nutzen zu können, bedarf es einer präzisen Modellierung des jeweiligen Energieangebots und -bedarfs. Dabei müssen bei der Modellierung des Angebots u. a. die geografische Lage der Energiequelle sowie die teils sehr starken wetterbedingten Schwankungen berücksichtigt werden. Umgekehrt wird der Energiebedarf insbesondere durch demografische und industrielle Faktoren beeinflusst. Bedingt durch den hohen Datenumfang sowie die Volatilität diverser zeit- sowie raumabhängiger Einflussgrößen lässt sich der Energiehaushalt bisher – wenn überhaupt – nur mit sehr spezialisierten, hochkomplexen Modellen beschreiben. Zugleich ist auf Grund der hohen Komplexität dieser Modelle eine sinnvolle, d. h. für Menschen nachvollziehbare Analyse der algorithmisch getroffenen Entscheidungen nahezu unmöglich, so dass keine Aussagen über die Zuverlässigkeit der Modelle getroffen werden können.
An dieser Stelle setzt das beantragte Projektvorhaben an. Durch eine geeignete Kombination, Adaption und Erweiterung moderner Methoden der Künstlichen Intelligenz (KI), genauer gesagt des Maschinellen Lernens (ML), sollen verschiedene Algorithmen und Software-Produkte (mit dem primären Ziel der Modellierung des Energieangebots und -bedarfs) konzipiert und implementiert werden. Zunächst soll ein Algorithmus entwickelt werden, mit dessen Hilfe die enormen Mengen insbesondere zeit- und raumabhängiger Daten vollkommen automatisiert auf eine möglichst minimale Menge informativer Einflussgrößen reduziert werden können. Anschließend soll dieser Algorithmus in ein (ebenfalls zu entwickelndes) nutzerfreundliches KI-System namens AutoGREEN integriert werden, welches – in Anlehnung an die Idee des sogenannten Automatisierten Maschinellen Lernens (AutoML) – automatisiert aus einer Menge vielversprechender ML-Verfahren einen möglichst gut geeigneten Algorithmus wählt, mit dessen Hilfe das Energieangebot sowie der zugehörige Energiebedarf (an einem gegebenen Standort) modelliert werden sollen. Auf Grund der Fokussierung auf Modelle, die anhand kleiner, jedoch möglichst informativer Einflussgrößen ermittelt wurden, ergibt sich hierüber zugleich die Möglichkeit, die Zuverlässigkeit der erzeugten Modelle gezielt zu analysieren.
Doktorand: Markus Leyser
Hauptbetreuer: Prof. Dr. Pascal Kerschke
Nebenbetreuer: N. N.