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
W
Projekte
A
AgenC
Automatische Generierung von Modellen für Prädiktion, Testen und Monitoring cyber-physischer Systeme
Laufzeit: 2022 - 2025I
Publikationen
2023
A Training Algorithm for Neural State Estimation using a Simulation-as-a-Service Infrastructure
Stephan Balduin, Alexander Berezin, Thomas Oberließen, Sebastian Peter; The 37th annual European Simulation and Modelling Conference; 2023
ANALYSE--Learning to Attack Cyber-Physical Energy Systems With Intelligent Agents
Wolgast, Thomas and Wenninghoff, Nils and Balduin, Stephan and Veith, Eric and Fraune, Bastian and Woltjen, Torben and Nieße, Astrid; SoftwareX; 04 / 2023
Learning new attack vectors from misuse cases with deep reinforcement learning
Veith, Eric and Wellßow, Arlena and Uslar, Mathias; Frontiers in Energy Research; 2023
Midas: An Open-Source Framework for Simulation-Based Analysis of Energy Systems
Balduin, Stephan and Veith, Eric M. S. P. and Lehnhoff, Sebastian; Simulation and Modeling Methodologies, Technologies and Applications; 2023
2022
Application of Recurrent Graph Convolutional Networks to the Neural State Estimation Problem
Alexander Berezin, Stephan Balduin, Thomas Oberließen, Eric Veith, Sebastian Peter, and Sebastian Lehnhoff; International Journal of Electrical and Electronic Engineering & Telecommunications; 2022
Reactive Power Markets: a Review
Wolgast, Thomas and Ferenz, Stephan and Nieße, Astrid; IEEE Access; 01 / 2022
Sampling Strategies for Static Powergrid Models
Stephan Balduin. and Eric Veith. and Sebastian Lehnhoff.; Proceedings of the 12th International Conference on Simulation and Modeling Methodologies, Technologies and Applications - SIMULTECH,; 2022
2021
Comparison of Random Sampling and Heuristic Optimization-Based Methods for Determining the Flexibility Potential at Vertical System Interconnections
Gerster, Johannes and Sarstedt, Marcel and Veith, Eric M. S. P. and Lehnhoff, Sebastian and Hofmann, Lutz; 2021 IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe); 2021
Pointing out the Convolution Problem of Stochastic Aggregation Methods for the Determination of Flexibility Potentials at Vertical System Interconnections
Johannes Gerster and Marcel Sarstedt and Eric M. S. P. Veith and Sebastian Lehnhoff and Lutz Hofmann; ENERGY 2021, The Eleventh International Conference on Smart Grids, Green Communications and IT Energy-aware Technologies; May / 2021
Survey and Comparison of Optimization-Based Aggregation Methods for the Determination of the Flexibility Potentials at Vertical System Interconnections
Sarstedt, Marcel and Kluß, Leonard and Gerster, Johannes and Meldau, Tobias and Hofmann, Lutz; Energies; 2021
