KI-gestützte Vorhersagen für die Stromversorgung Erklärbare KI für Energiesysteme

Künstliche Intelligenz hilft zunehmend dabei, Stromnetze stabiler zu betreiben, Strompreise besser vorherzusagen und Energie effizienter zu nutzen. Doch in kritischen Infrastrukturen wie dem Energiesystem sollte KI keine Blackbox sein – Entscheidungen müssen jederzeit nachvollziehbar bleiben. Forschende des Karlsruher Instituts für Technologie (KIT) haben daher eine Methode entwickelt, mit der sich KI-gestützte Vorhersagen für Energiesysteme deutlich transparenter analysieren lassen.

Das Management unserer Energieversorgung gestaltet sich zunehmend komplexer. Wind- und Solarstrom schwanken wetterabhängig, zugleich verändern Elektroautos, Batteriespeicher und Wärmepumpen die Verbrauchsmuster. "Netzbetreiber und Energieversorger setzen zunehmend künstliche Intelligenz ein, um ihre Systeme effizient und stabil zu betreiben", so Tenure-Track-Professor Benjamin Schäfer vom Institut für Automation und Angewandte Informatik (IAI) des KIT. 

Um Stromerzeugung und -verbrauch möglichst präzise aufeinander abzustimmen, gilt es, zahlreiche Faktoren gleichzeitig zu berücksichtigen – etwa Wetterprognosen, Lastvorhersagen, Netz- und Verteilerkapazitäten sowie das Verhalten von Verbraucherinnen und Verbrauchern. "KI hilft dabei, darf aber keine Blackbox bleiben. Menschen müssen nachvollziehen können, wie Vorhersagen und Entscheidungen zustande kommen. Gerade im sensiblen Energiebereich, in dem Fehler schwerwiegende Folgen haben können, sind Transparenz und menschliche Aufsicht entscheidend – und mit dem AI Act der Europäischen Union auch eine regulatorische Vorgabe", sagt Schäfer.

KI-gestützte Vorhersagen präzise und nachvollziehbar machen

In ihrer aktuellen Studie stellt Schäfers Arbeitsgruppe die neue Methode "Shapformer" vor, die für Zeitreihenvorhersagen entwickelt wurde – also für Prognosen auf Basis zeitlich aufeinanderfolgender Daten wie Stromverbrauch oder -preis. Ziel ist es, KI-gestützte Vorhersagen möglichst präzise und nachvollziehbar zu machen. Die Methode kombiniert Transformermodelle, die aus modernen Sprachmodellen bekannt sind, mit Verfahren der erklärbaren künstlichen Intelligenz. Der Name Shapformer verweist dabei auf die Verbindung von Transformermodellen mit Shap-Methoden. Diese basieren auf Konzepten der Spieltheorie und machen sichtbar, welchen Einfluss einzelne Faktoren auf eine Vorhersage haben. Dazu zählen etwa Temperaturen, Feiertage, Windprognosen oder frühere Verbrauchsdaten.

Einfluss einzelner Faktoren wird sichtbar

"Beim Training unseres Modells haben wir gezielt einzelne Informationen ausgeblendet", betont Matthias Hertel, wissenschaftlicher Mitarbeiter am IAI. "Auf diese Weise konnten wir nachvollziehen, welchen Einfluss bestimmte Eingaben auf die Vorhersagen des Modells haben." Das Team trainierte den Ansatz unter anderem mit realen Daten des Übertragungsnetzbetreibers Transnetbw. Ziel war es, Stromverbräuche und -preise über Zeiträume von bis zu einer Woche vorherzusagen – und gleichzeitig sichtbar zu machen, welche Faktoren die Prognosen beeinflussen. So lässt sich der Beitrag einzelner Einflussgrößen zu einer Vorhersage analysieren.

Erklärbarkeit direkt in das Training integriert

Viele bisherige Verfahren bieten erst nachträglich Erklärungen und benötigen dafür große zusätzliche Rechenleistung. "Eine Besonderheit unseres Ansatzes ist es, dass wir die Erklärbarkeit direkt in den Trainingsprozess integrieren", sagt Hertel. Die Genauigkeit der Vorhersagen bleibt so erhalten, während die Effizienz der Analyse steigt. "Mit unserer Arbeit schaffen wir methodische Grundlagen dafür, solche Ansätze künftig in die Praxis zu übertragen", unterstreicht Schäfer. 

Dabei spielen nicht nur technische Präzision und Vertrauenswürdigkeit eine Rolle, sondern auch die Akzeptanz von Anwenderinnen und Anwendern. Schäfer nennt als Beispiel Heimspeicher, die automatisch auf Strompreise reagieren, sowie intelligente Systeme für das Laden und Entladen von Elektroautos. "Nutzerinnen und Nutzer haben wahrscheinlich eine größere Akzeptanz gegenüber einem intelligenten Ladesystem, wenn klar nachvollziehbar ist, warum sich ein Elektroauto nachts später geladen hat als gewöhnlich – zum Beispiel, weil die Strompreise zwischenzeitlich besonders hoch waren und so Kosten eingespart werden konnten."