Schwankungen im Stromnetz bis hin zu regionalen Blackouts entwickeln sich weltweit zu einem immer größeren Problem. Grund dafür ist die steigende Komplexität der Stromnetze. Zudem nimmt auch die Volatilität durch den vermehrten Einsatz von Wind- und Sonnenenergie im Strommix zu. Klassische Systeme von Netzbetreibern stoßen daher an ihre Grenzen und können oftmals nur durch manuelle Interaktion die nötige Stabilität erzielen.

Internationale Forschungs-Challenge

Um diesem Problem zu begegnen und den Herausforderungen dezentraler Netze künftig gerecht zu werden, hat der französische Strombetreiber Réseau de Transport d’Electricité (RTE) bereits im Jahr 2017 die sogenannte L2RPN “learning to run a powergrid”-Challenge ins Leben gerufen. Im Rahmen des Wettbewerbs waren internationale Forscherteams dazu aufgerufen, Lösungen zur Optimierung von Stromnetzen zu entwickeln.

Reinforcement Learning als Lösung

Als einer der vielversprechendsten Ansätze in diesem Bereich gilt dabei Reinforcement Learning (RL). Dabei handelt es sich um eine Machine-Learning-Methode, die sich darauf konzentriert, intelligente Lösungen auf komplexe Steuerungsprobleme zu finden. Ziel war es, basierend auf einer realistischen Simulationsumgebung AI Agenten zu trainieren, bis sie entlang von vordefinierten KPIs optimale Strategien gegen einen etwaigen Blackout finden. Im Rahmen der Challenge diente das kalifornische Stromnetz als digitale Simulationsumgebung – ein Netz das in der Realität als besonders störungsanfällig gilt.

EnliteAI erzielt internationalen Erfolg

Als einziges österreichisches Unternehmen beteiligte sich das Wiener Startup Enlite AI rund um Clemens Wasner, Marcel Wasserer, Johannes Stumtner und Mattthias Dorfer an der Challenge. Das Startup arbeitet bereits seit mehr als zwei Jahren an einem sogenannten RL Framework namens Maze, das bereits erfolgreich in der Logistik zum Einsatz kommt. Wie Wasner erläutert, wurde das Framework im Rahmen der Challenge um spezifische Komponenten für Powergrids erweitert.

Und das mit Erfolg: “Die Competition ging vorletzte Woche zu Ende und der von uns entwickelte, auf AlphaZero inspirierter RL-Ansatz erzielte mit dem dritten Platz eine Top-Platzierung auf den offiziellen Testszenarien”, so Wasserer. EnliteAI war übrigens das einzige westliche Team, das es zu einer Top Platzierung geschafft hat – hinter Tencent & Baidu und noch vor dem Team von Chinese National Powergrid. Mehr über die Ergebnisse der Challenge könnt ihr hier nachlesen.

Internationales Echo für EnliteAi

Wie die Gründer weiters ausführen, wurde im Rahmen der Challenge der Grundstein für ein AI-gestützte Assistenz Tool für Stromnetzbetreiber gelegt. Zudem sei der französische Stromnetzbetreiber und Veranstalter der Challenge RTE an einer Forschungskooperation interessiert. Auch erste Anfragen von deutschen Strombetreibern hätte es bereits gegeben. Parallel dazu läuft auch ein Patentantragsprozess, um sich künftige IP-Rechte zu sichern. Nähere Details dazu sollen laut Wasner aber noch folgen.

Sofern es dem Wiener Startup gelingt, die Lösung erfolgreich an Stromnetzbetreiber zu vermarkten, könnte das verhältnismäßig kleine 15-köpfige Team von EnliteAI einen internationalen Coup erzielen. Wie Wasner abschließend ausführt, würden Betreiber nämlich jährlich Millionen an Euro dafür ausgeben, um die Netze vor etwaigen Ausfällen zu schützen. Dazu zählen unter anderem der Zukauf von Kapazitäten oder Redispatching-Maßnahmen, um Netzengpässe zu vermeiden. Als geeignetes Geschäftsmodell für den sehr limitierten aber lukrativen Markt nennt Wasner ein Value-Based Business Modell, das sich an den Kosten etwaiger Stromausfälle orientiert.

Dass derartige Blackouts nicht nur Stoff für einen apokalyptischen Kinofilm sind, bewies übrigens der 8. Jänner 2021. An diesem Tag ist der europäische Kontinent knapp an einem Blackout vorbeigeschrammt. Schuld daran waren automatische Abschaltungen in Südeuropa aufgrund von fehlender Netzreserven. Im Schnitt bleiben Grids derzeit laut RTE nur zirka eine Stunde ohne manuelle Interaktion stabil. Die Lösung aus Wien könnte hierfür künftig eine Abhilfe schaffen.