Anwendung von Methoden des maschinellen Lernens auf lokale hochauflösende Daten von PV-Wechselrichtern, Smart Meters und Wärmepumpen
Hintergrund
Künstliche Intelligenz und Methoden des maschinellen Lernens (ML) bieten einen vielversprechenden Ansatz zur Entwicklung geeigneter Lösungen für die Integration der zunehmenden dezentralen Stromerzeugung – wie PV, und Systemkomponenten wie EV, Wärmepumpen und Batteriespeichersysteme - in das Niederspannungsnetz.
Selbstlernende Systeme bieten einen skalierbaren und flexiblen Ansatz für unterschiedliche Ausgangsbedingungen und wechselnde Datenmuster. Diese Methoden erfordern eine Verarbeitung umfangreicher Daten in hoher Auflösung der jeweiligen Systeme, insbesondere Dienste wie kurzfristige Prognosen für volatile erneuerbare Energieerzeugung und Lastprofile zur Optimierung von Demand Response Zeitplänen oder Betriebsabläufen von Speichersystemen.
Herausforderungen
Für die Bereitstellung umfangreicher Daten in hochauflösenden Zeitreihen müssen drei Herausforderungen bewältigt werden:
- Ausreichende Datenübertragungskapazitäten: Die Datenauflösung spielt eine wesentliche Rolle bei der Maximierung des Informationsgewinns, weshalb sichergestellt werden muss, dass die hohen Anforderungen an Bandbreite und Verbindungssicherheit bei der Datenübertragung erfüllt werden. Außerdem müssen die Antwort- und Latenzzeiten so agil sein, dass sie keine negativen Auswirkungen auf kurzfristige Dienste haben.
- Ausreichende Datensicherheit: Zentralisierte Cloud-Systeme bergen im Vergleich zu lokalen Edge-Geräten ein größeres Risiko hinsichtlich der Wahrscheinlichkeit von Fehlersituationen oder Signalverlusten.
- Angemessener Datenschutz und Schutz der Daten: Cloud-basierte Systeme, die für die Datenerfassung und -auswertung verwendet werden, insbesondere für Verbrauchsmessungen und in Form von hochauflösenden Daten, bergen das Risiko, dass die Datenschutzgesetze nicht eingehalten werden können.
Ziele
Das EdgeAI-Konzept wurde für dieses Projekt gewählt, weil es diese spezifischen Herausforderungen bewältigen kann. Das Edge AI-Konzept für die direkte und lokale Anwendung von ML-Methoden gewährleistet sowohl eine stabile und hochauflösende Datenverbindung als auch die Datensicherheit.
Das Hauptziel dieses Projekts ist es, sich auf zwei Aspekte zu konzentrieren:
1) Die Erforschung lokaler hochauflösender Datenquellen und direkt gemessener Daten, um zu verstehen:
- Welche Einsichten und Erkenntnisse können aus hochauflösenden Zeitreihendaten gewonnen werden?
- Analyse des minimalen Datenbedarfs auf der Grundlage von Anwendungsfall-KPIs;
- Analyse der Fähigkeiten der bestehenden EdgeTPU Hard- und Software
2) Entwicklung und Testen von “Federated Learning“ für EdgeAI-Anwendungen zur Verbesserung folgender Aspekte:
- Datenqualitätsmanagement und Pre-Processing;
- Feature Engineering und Design;
- Semi-überwachte Lernmethoden.
