31. Januar 2025
KI verbessert Windkraftprognosen
Mit genaueren Windprognosen könnte die Stromproduktion in Kohle- und Erdgaskraftwerken deutlich reduziert werden. Forscher der Eidgenössischen Technischen Hochschule Lausanne (EPFL) haben hierzu ein neuronales Netz trainiert.

Fernando Porté-Agel und sein Postdoc Wenlong Liao haben Eingabevariablen aus einem Wettermodell mit einem signifikanten Einfluss auf die Windenergieerzeugung - Windrichtung, Windgeschwindigkeit, Luftdruck und Temperatur - mit Daten aus Windparks in der Schweiz und weltweit ausgewählt.
Das Ziel: Mit besseren Windprognosen könnte die Stromproduktion in Kohle- und Erdgaskraftwerken deutlich reduziert werden. Genau das gelingt mit "Explainable Artificial Intelligence" (XAI), die nachvollziehbar macht, auf welche Weise dynamische und nicht linear programmierte Systeme wie künstliche neuronale Netze, Deep-Learning-Systeme und genetische Algorithmen zu ihren Ergebnissen kommen.
KI-Modelle optimieren
XAI ist ein Zweig der Künstlichen Intelligenz (KI), der den Nutzern hilft, einen Blick in die Blackbox der KI-Modelle zu werfen, um zu verstehen, wie ihre Ergebnisse erzeugt werden und ob ihren Prognosen zu trauen ist. In jüngster Zeit hat XAI bei Computer-Vision-Aufgaben wie der Bilderkennung an Bedeutung gewonnen, wo das Verständnis von Modellentscheidungen entscheidend ist.
"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", so Porté-Agel. Dadurch würden überflüssigerweise die CO2-Emissionen steigen.
Die derzeit zur Vorhersage der Windkraftleistung verwendeten Modelle beruhen auf Strömungsdynamik, Wettermodellierung und statistischen Methoden, doch sie weisen eine nicht zu vernachlässigende Fehlerspanne auf. KI hat es den Ingenieuren ermöglicht, die Vorhersagen für die Windenergie zu verbessern, indem sie anhand umfangreicher Daten Muster zwischen Wettermodellvariablen und der Leistungsabgabe von Windturbinen erkennen.