„nachhaltige technologien 02 | 2023"

Grundlage dieser Vorhersagen Entscheidungen treffen. Dies kann zu besserem Energiemanagement und geringerem Energieverbrauch führen. Künstliche Intelligenz kann auch Wartungskosten senken, indem sie die Wartung der Geräte plant. AEE INTEC arbeitet in zwei Projekten (NextHyb 4 und NextGES 5 ) an der Bereitstellung verbesserter Ener- giedienstleistungen durch die Einbeziehung von KI. In Zusammenarbeit mit der Universität Aarhus, dem Pacific Northwest National Laboratory und der Tech- nischen Universität Graz wurde eine Übersicht über verschiedene Möglichkeiten zur Konzeptionierung von Modellen dynamischer Systeme mit neuronalen Netzen erstellt, einschließlich neuronaler ODEs 6 , die physikalische Abbildung der Systeme mittels neuronaler Netze. Sie zeigt, dass ein neuronales Netz-Modell leicht auf ein anderes übertragen werden kann und die Algorithmen frei modifiziert werden können 7 . Diese Flexibilität macht es jedoch schwierig, konkrete Leitlinien für die Auswahl ei- nes Modelltyps für eine bestimmte Anwendung zu definieren. Daher sollte in den Modellierungs- prozess das Wissen über physikalische Prozesse mit einbezogen werden. In einem anderen Beitrag dienstleister beziehungsweise Energieversorgungs- unternehmen zu schaffen. Diese Strategien kommen als Energiedienstleistungen den beteiligten Stake- holdern und der Gesellschaft zugute, beziehen sich jedoch nicht nur auf Energie oder Energieträger an sich, sondern fassen den Begriff Energiedienstleistun- gen weiter und beziehen Leistungen wie die Nutzung von künstlicher Intelligenz oder die Entwicklung von Algorithmen mit ein 3 . Angesichts steigender Inflation und schwankender Erdgaspreise brauchen Kund*innen mehr denn je erschwingliche Energielösungen, die durch diese Strategien erreicht werden sollen. Nutzung von künstlicher Intelligenz in Energiesystemen Energiedienstleistungen können die Energie- und Brennstoffkosten auf Großhandelsebene senken, in- dem sie die Nachfrage von kostspieligen Spitzenlast- ressourcen auf kostengünstigere Zeiten verlagern. Die Schaffung effizienterer Systeme durch Optimie- rung des Betriebs reduziert auch den CO 2 -Ausstoß. Um diese Vorteile von Energiedienstleistungen nutzen zu können, ist die Modellierung der Energiesysteme entscheidend. Modelle geben Einblick in Kosten, Nutzen und Kompromisse, die mit verschiedenen Sys- temkonfigurationen und Strategien verbunden sind. Sie helfen beispielsweise dabei, die potenziellen Auswirkungen verschiedener Strategien zur Eindäm- mung des Klimawandels zu verstehen und die damit verbundenen Risiken zu bewältigen. Sie erlauben fer- ner, große Datenmengen schnell und effizient aufzu- bereiten und zu bewerten und sie dann anwenderori- entiert zu visualisieren, zum Beispiel zur Bewertung des aktuellen Betriebes eines Nahwärmenetzes. In letzter Zeit hat sich das Modellierungsparadigma dank der Fortschritte im Bereich der künstlichen In- telligenz (KI) von White-Box- zu Black-Box-Modellie- rungen verschoben. White-Box-Modelle ermöglichen eine detaillierte Modellierung des Systems, sind aber sehr rechenintensiv. Black-Box-Modelle erfordern weniger Fachwissen und können schneller und kos- tengünstiger entwickelt werden. Allerdings kann es schwierig sein, die Ergebnisse des Modells zu inter- pretieren und zu validieren. KI-Algorithmen können dazu beitragen, die Leistung von Energiesystemen zu optimieren, indem sie Echtzeitdaten analysieren, Muster erkennen, Vorhersagen treffen und auf der 1 https://www.latimes.com/california/story/2022-08-31/california-heat-wave-likely-to-spur-flex-alerts-for-energy-grid 2 E. Mahboubi-Moghaddam, M. Nayeripour, J. Aghaei, A. Khodaei and E. Waffenschmidt,"Interactive Robust Model for Energy Service Providers Integrating Demand Response Programs in Wholesale Markets," in IEEE Transactions on Smart Grid, vol. 9, no. 4, pp. 2681-2690, July 2018, doi: 10.1109/TSG.2016.2615639. 3 Kalt G., Wiedenhofer D., Görg C., Haberl H., Conceptualizing energy services: A review of energy and well-being along the Energy Service Cascade, Energy Research & Social Science, Volume 53, 2019, Pages 47-58, ISSN 2214-6296, https://doi.org/10.1016/j.erss.2019.02.026.TSG.2016.2615639 4 https://www.aee-intec.at/nexthyb2-next-generation-hybrider2-modellierung-fuer-die-analyse-und-optimierung-integrierter-intelligenter-energiesysteme-p298 5 https://www.zukunftsfonds.steiermark.at/cms/beitrag/12851426/145290866/#tb2 6 ODE – Ordinary Differential Equations 7 Christian Legaard, Thomas Schranz, Gerald Schweiger, Ján Drgoňa, Basak Falay, Cláudio Gomes, Alexandros Iosifidis, Mahdi Abkar, and Peter Larsen. 2023. Constructing Neural Network Based Models for Simulating Dynamical Systems. ACM Comput. Surv. 55, 11, Article 236 (November 2023), 34 pages. https://doi.org/10.1145/3567591 Der Zyklus von Energiedienstleistungen Quelle: AEE INTEC Forscher Stakeholder Entwicklung der Algorithmen Interpretation der Ergebnisse Visualisierung der Resultate 23 22 ENERGIEWENDE IN STÄDTEN UND GEMEINDEN