Künstliche Intelligenz entscheidet zunehmend, wann Strom fließt, was er kostet und wann Elektroautos laden. Doch bisher bleiben die Entscheidungen der Algorithmen oft undurchsichtig. Forscher des Karlsruher Instituts für Technologie haben mit dem SHAPformer eine Methode entwickelt, die KI-Vorhersagen im Energiesystem erstmals direkt nachvollziehbar macht. Was dahintersteckt und warum das auch für Verbraucher relevant ist.
Das Management der Energieversorgung gestaltet sich zunehmend komplexer. Wind- und Solarstrom schwanken wetterabhängig, während Elektroautos, Batteriespeicher und Wärmepumpen die Verbrauchsmuster verändern. Netzbetreiber und Energieversorger setzen Künstliche Intelligenz ein, um ihre Systeme effizient und stabil zu betreiben.
Um die Stromerzeugung und den Verbrauch präzise aufeinander abzustimmen, müssen viele Faktoren gleichzeitig berücksichtigt werden. Dazu gehören Wetterprognosen, Lastvorhersagen, Netz- und Verteilerkapazitäten sowie das Verhalten von Verbrauchern. In diesen kritischen Infrastrukturen darf Künstliche Intelligenz jedoch keine Blackbox bleiben. Zudem ist die menschliche Aufsicht durch den AI-Act der Europäischen Union eine regulatorische Vorgabe.
Du willst nicht abgehängt werden, wenn es um KI, Green Tech und die Tech-Themen von Morgen geht? Über 12.000 Vordenker bekommen jeden Tag die wichtigsten News direkt in die Inbox und sichern sich ihren Vorsprung.
Nur für kurze Zeit: Anmelden und mit etwas Glück Apple AirPods gewinnen!
Mit deiner Anmeldung bestätigst du unsere Datenschutzerklärung. Beim Gewinnspiel gelten die AGB.
Wie KI unsere Stromnetze steuert
Forscher des Karlsruher Instituts für Technologie haben eine Methode namens SHAPformer, die die Entscheidungen von KI transparenter machen soll. Sie wurde speziell für Zeitreihenvorhersagen auf Basis aufeinanderfolgender Daten wie Stromverbrauch oder Strompreisen entworfen. Die Methode kombiniert Transformer-Modelle, bekannt aus modernen Sprachmodellen, mit Verfahren der erklärbaren Künstlichen Intelligenz.
Der Ansatz nutzt Konzepte der Spieltheorie, um den Einfluss einzelner Faktoren wie Temperaturen, Feiertage, Windprognosen oder frühere Verbrauchsdaten sichtbar zu machen. Beim Training des Modells blendete die Arbeitsgruppe gezielt einzelne Informationen aus.
Dadurch lässt sich der Beitrag einzelner Einflussgrößen zu einer Vorhersage nachvollziehen. Das Team trainierte das System mit realen Daten des Übertragungsnetzbetreibers TransnetBW. Ziel war es, den Stromverbrauch und die Strompreise über Zeiträume von bis zu einer Woche vorherzusagen und gleichzeitig die einflussnehmenden Faktoren anzuzeigen.
Warum der KIT-Ansatz effizienter als bisherige Verfahren ist
Viele bisherige Verfahren bieten erst nachträglich Erklärungen und benötigen dafür zusätzliche Rechenleistungen. Die Neuentwicklung aus Karlsruhe integriert die Erklärbarkeit dagegen direkt in den Trainingsprozess. Die Genauigkeit der Vorhersagen bleibt so erhalten, während die Effizienz der Analyse steigt. Mit dieser Arbeit schaffen die Wissenschaftler methodische Grundlagen, um solche Ansätze künftig in die Praxis zu übertragen.
Neben der technischen Präzision spielen die Vertrauenswürdigkeit und die Akzeptanz bei den Anwenderinnen und Anwendern eine Rolle. Das betrifft beispielsweise intelligente Systeme für das Laden und Entladen von Elektroautos oder Heimspeicher. Tenure-Track-Professor Benjamin Schäfer vom Institut für Automation und Angewandte Informatik des KIT erklärte dazu:
Google lässt dich jetzt selbst bestimmen, welche Quellen du in der Suche häufiger siehst. Mit zwei schnellen Klicks kannst du BASIC thinking kostenlos als bevorzugte Quelle hinzufügen und damit unabhängigen Tech-Journalismus unterstützen. Vielen Dank!
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.
Auch interessant:
