Angesichts des steigenden Anteils an erneuerbaren Energien in Deutschland stehen die Stromnetzbetreiber vor neuen Herausforderungen. Erzeugung und Nachfrage unterliegen zunehmenden Schwankungen, da die durch erneuerbare Quellen wie Wind und Sonne gewonnene Strommenge variiert und gleichzeitig immer mehr Haushalte dezentral Strom ins Netz einspeisen. Die Betreiber müssen daher eine Vielzahl an Variablen ausbalancieren, um eine konstante und zuverlässige Versorgung zu gewährleisten.

An diesem Punkt setzt das Forschungsprojekt GNN4GC (Graph Neural Networks for Grid Control) des Fachgebiets Intelligente Eingebettete Systeme der Universität Kassel an. „Unser Ziel ist eine enge Zusammenarbeit zwischen Forschung und Industrie, um praxistaugliche Lösungen für diese Herausforderungen der Energiewende zu entwickeln“, erklärt Dr. Christoph Scholz, Leiter des Projekts an der Universität Kassel. Das Projektteam der Uni Kassel ergänzen außerdem Pawel Lytaev, Clara Holzhüter und Mohamed Hassouna.

In Zusammenarbeit mit dem Fraunhofer IEE und drei Übertragungsnetzbetreibern – TenneT TSO GmbH, 50Hertz und TenneT TSO BV – entwickeln die Forschenden neue KI-basierte Ansätze zur Optimierung der Stromnetzsteuerung. Dabei kommen unter anderem Graph Neural Networks (GNNs) und Deep Reinforcement Learning (DRL) zum Einsatz.

Graph Neural Networks (GNNs) sind besonders leistungsfähig bei der Analyse von Netzwerkstrukturen, wie sie auch in Stromnetzen vorkommen. Ziel der Forschung ist es, mithilfe von GNNs die Berechnung von Netzlasten zu beschleunigen und Möglichkeiten zur dynamischen Anpassung der Netztopologie während des Betriebs zu untersuchen.

Parallel dazu wird im Projekt Deep Reinforcement Learning (DRL) eingesetzt, um selbstlernende Agenten zu entwickeln, die netzdienliche Zustände identifizieren können. Diese Modelle werden zunächst in Simulationen trainiert, um potenzielle Lösungen für die Steuerung und Optimierung der Stromnetze zu erforschen.

In einem ersten Schritt zur praktischen Umsetzung dieser innovativen Ansätze konnten die Forschenden bereits vielversprechende Ergebnisse erzielen. In einer aktuellen Publikation (https://doi.org/10.1016/j.segan.2024.101510 ) präsentieren sie einen Algorithmus, der die Identifizierung und Integration solcher Topologien in ein bestehendes Deep Reinforcement Learning Modell ermöglicht. Die Ergebnisse zeigen, dass diese Zieltopologien eine signifikante Steigerung der Resilienz des Stromnetzes bewirken können.