Intelligenz in Energiesystemen Die Gruppe Power Systems Intelligence arbeitet in Forschungs- und Entwicklungsprojekten an Lösungen für eine dezentrale, dekarbonisierte und cyber-resiliente Energieversorgung und ist auf Verfahren des maschinellen Lernens und der künstlichen Intelligenz
Vision: The AI-empowered Smart Grid
Die Integration von verteilt genutzten und dargebotsabhängigen Primärenergien stellt eine wesentliche Herausforderung der Energiewende dar. Moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens leisten dabei an vielen Stellen einen signifikanten Beitrag zur Bewältigung dieser Herausforderung: in der semi-automatischen Betriebsführung von Stromnetzen, bei der von Einsicht getriebenen Vermarktung von dezentralen Energieanlagen, bei der Prognose von Last- und Erzeugungszeitreihen, um nur einige zu nennen. Dabei erfordert die enge Verknüpfung von Energiesystemen und IKT-Infrastruktur in Smart Grids auch ein adaptives und autonomes „Immunsystem“, um mit Angriffen gegen die Infrastruktur und Ausfällen von Teilsystemen umgehen zu können.
Die Gruppe Power Systems Intelligence erforscht und entwickelt deshalb Lösungen an der Schnittstelle zwischen Stromnetz, Energiemarkt, künstlicher Intelligenz und einem cyber-resilienten Systemverständnis. Unsere Vision: KI im Smart Grid — the AI-empowered Smart Grid.
Maschinelles Lernen
Jedes autonom, pro-aktiv agierende System benötigt ein Modell seiner Umwelt und eine Vorhersage über zukünftige Systemzustände. Dies kann die Wirkleistungseinspeisung eines Wind- oder PV-Parks, die Nachfrage in energetischen Nachbarschaften, die verfügbare Flexibilität für das Erbringen von Systemdienstleistungen oder die Preisentwicklung des Energiemarkts sein. Durch die Digitalisierung der Energieversorgung werden Datenmengen erschlossen, die eine geeignete Basis für maschinelles Lernen darstellen. Um sinnvolle Schlüsse aus diesen großen Datenmengen zu ziehen und Systeme zum autonomen Agieren anzulernen, haben sich Ansätze aus dem Deep Learning mit beeindruckenden Ergebnissen als lohnender Forschungsgegenstand etabliert. Strukturen wie tiefe rekurrente Netze eigenen sich zur Vorhersage von Zeitreihen oder Marktverhalten. Sie erlauben auch, beliebige Systeme nachzubilden und können mittels Reinforcement Learning selbstständig komplexe Sachverhalte nachmodellieren. Diese als Surrogatmodell bekannte Technik erlaubt es, Zusammenhänge im Stromnetz nachzubilden, Sensorwerte abzuleiten, zu korrigieren oder Betriebsparameter für die Netzführung wie Blindleistungskompensationsfaktoren nahezu in Echtzeit zu ermitteln.
Unsere Forschung im Gebiet des maschinellen Lernens zielt deshalb darauf ab, Domänenwissen über das Stromnetz und den Energiemarkt in Form von Architekturen für künstliche neuronale Netze in die Künstliche Intelligenz einzubringen und uns die Methoden des Deep Learning zu Nutze zu machen, um Prototypen für eine cyber-resiliente Netzbetriebsführung und ein ökonomisches, intelligentes Agieren an Energiemärkten zu ermöglichen. Hierbei arbeiten wir eng mit der Abteilung Computational Intelligence an der Carl-von-Ossietzky-Universität Oldenburg zusammen und sind an der Ausgestaltung des Competence Clusters Deep Learning maßgeblich beteiligt.
Verteilte und lernende Systeme
Eine zunehmende Dezentralisierung der Energieversorgung zieht eine zunehmende Dezentralisierung der steuernden und überwachenden Intelligenz nach sich. Der räumlichen und topologischen Verteilung von Systemkomponenten tragen wir durch die Entwicklung verteilter, (teil-) autonomer Agentensysteme Rechnung. Dabei arbeiten wir eng mit der Abteilung Energieinformatik an der Leibniz Universität Hannover und der OFFIS-Gruppe Simulation und Agenten in multiplen Domänen zusammen. Unser Schwerpunkt liegt dabei in der Ertüchtigung einzelner Agenten, die eigenständig Betriebsführungs- und Handelsstrategien erlernen und die Flexibilität der von ihnen repräsentierten Komponenten optimal ins Gesamtsystem einbringen. Dabei spielen vor allem auch die Fragen der Netzstabilität und der der Erbringung regionaler Systemdienstleistungen eine wesentliche Rolle. Durch lernende Agenten werden somit dezentrale Energieanlagen zu wertvollen, pro-aktiven Assets für den Verteilnetzbetrieb. Dies leistet einen Betrag zu einer zuverlässigen und effizienten Energieversorgung und trägt zur Beherrschung der steigenden Komplexität des Gesamtsystems bei. Darüber hinaus ist das Erkennen von Fehlverhalten und anderen Anomalien in Strom- und Kommunikationsnetzen ein weiterer Bestandteil unserer Arbeiten.
Unsere Forschung im Bereich der verteilten und lernenden Systeme zielt deshalb auf das Erlernen von Netz- und Systemcharakteristika und der KI-gestützten Analyse möglicher Angriffsszenarien ab. Das einzigartige Forschungsfeld des Adversarial Resilience Learning ermöglicht uns, das Stromnetz auch bei starker Digitalisierung zu einem selbstadaptierenden, sicheren und cyber-resilienten Gesamtsystem zu machen. Dieses Ziel verbindet uns mit der Gruppe Automation, Communication and Control, die am stabilen und zuverlässigen Betrieb dynamischer Systeme forscht.
Personen 
B
H
Publikationen
2025
On Zero-shot Learning in Neural State Estimation of Power Distribution Systems
Aleksandr Berezin, Stephan Balduin, Eric MSP Veith, Thomas Oberließen, Sebastian Peter; ENERGY 2025, The Fifteenth International Conference on Smart Grids, Green Communications and IT Energy-aware Technologies; March / 2025
2024
Approximating Energy Market Clearing and Bidding With Model-Based Reinforcement Learning
Wolgast, Thomas and Nieße, Astrid; IEEE Access; 2024
Flowcean — Model Learning for Cyber-Physical Systems
Maximilian Schmidt, Swantje Plambeck, Markus Knitt, Hendrik Rose, Goerschwin Fey, Jan Christian Wieck and Stephan Balduin; 4th Italian Workshop on Artificial Intelligence and Applications for Business and Industries - AIABI; 2024
Imitation Game: A Model-based and Imitation Learning Deep Reinforcement Learning Hybrid
Veith, Eric MSP and Logemann, Torben and Berezin, Aleksandr and Wellßow, Arlena and Balduin, Stephan; 2024 12th Workshop on Modeling and Simulation of Cyber-Physical Energy Systems (MSCPES); 2024
Learning the Optimal Power Flow: Environment Design Matters
Wolgast, Thomas and Nieße, Astrid; Energy and AI; August / 2024
Machine-Readable Expert Knowledge Representation Concept
Wellßow, Arlena and Smith, Paul and Widl, Edmund and Veith, Eric and Kohlisch-Posega, Julian and Soro, Francesca and Puhan, Malte and Theil, Andreas and Uslar, Mathias and Zoll, Roland; February / 2024
On Sound Experiment Execution with Learning Agents in Cyber-Physical Energy Systems
Veith, Eric MSP and Balduin, Stephan and Wellßow, Arlena and Logemann, Torben; 2024
Play With Me: Towards Explaining the Benefits of Autocurriculum Training of Learning Agents. In 2024 IEEE PES Innovative Smart Grid Technologies Europe (ISGT EUROPE)
Veith, EM and Logemann, T and Wellßow, A and Balduin, S; Dubrovnik, Croatia. IEEE; 2024
SHOW-OFF - Towards a Framework for Comprehensive and Systematic Visual Analysis of Learning Agents Performance in Smart Grid Co-Simulations
Engelmann, Lena and Wellßow, Arlena and Veith, Eric; the 2024 European Simulation and Modelling conference (ESM 2024); 2024
