{"id":115062,"date":"2026-06-04T02:19:00","date_gmt":"2026-06-04T00:19:00","guid":{"rendered":"https:\/\/www.sonnenseite.com\/?p=115062"},"modified":"2026-06-17T09:25:28","modified_gmt":"2026-06-17T07:25:28","slug":"erklaerbare-ki-fuer-energiesysteme","status":"publish","type":"post","link":"https:\/\/www.sonnenseite.com\/de\/zukunft\/erklaerbare-ki-fuer-energiesysteme\/","title":{"rendered":"Erkl\u00e4rbare KI f\u00fcr Energiesysteme"},"content":{"rendered":"\n

KIT-Forschende entwickeln Methode, um KI-gest\u00fctzte Vorhersagen f\u00fcr die Stromversorgung transparenter zu machen.<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz (KI) hilft zunehmend dabei, Stromnetze stabiler zu betreiben, Strompreise besser vorherzusagen und Energie effizienter zu nutzen. Doch in kritischen Infrastrukturen wie dem Energiesystem sollte KI keine Blackbox sein \u2013 Entscheidungen m\u00fcssen jederzeit nachvollziehbar bleiben. Forschende des Karlsruher Instituts f\u00fcr Technologie (KIT) haben eine neue Methode entwickelt, mit der sich KI-gest\u00fctzte Vorhersagen f\u00fcr Energiesysteme deutlich transparenter analysieren lassen. Ergebnisse in Nature Communications. (DOI: 10.1038\/s41467-026-73243-5<\/a>)<\/p>\n\n\n\n

Das Management unserer Energieversorgung gestaltet sich zunehmend komplexer. Wind- und Solarstrom schwanken wetterabh\u00e4ngig, zugleich ver\u00e4ndern Elektroautos, Batteriespeicher und W\u00e4rmepumpen die Verbrauchsmuster. \u201eNetzbetreiber und Energieversorger setzen zunehmend K\u00fcnstliche Intelligenz ein, um ihre Systeme effizient und stabil zu betreiben\u201c, sagt Tenure-Track-Professor Benjamin Sch\u00e4fer vom Institut f\u00fcr Automation und Angewandte Informatik (IAI) des KIT. <\/p>\n\n\n\n

Um Stromerzeugung und Verbrauch m\u00f6glichst pr\u00e4zise aufeinander abzustimmen, gilt es, zahlreiche Faktoren gleichzeitig zu ber\u00fccksichtigen \u2013 etwa Wetterprognosen, Lastvorhersagen, Netz- und Verteilerkapazit\u00e4ten sowie das Verhalten von Verbraucherinnen und Verbrauchern. \u201eKI hilft dabei, darf aber keine Blackbox bleiben. Menschen m\u00fcssen nachvollziehen k\u00f6nnen, wie Vorhersagen und Entscheidungen zustande kommen. Gerade im sensiblen Energiebereich, in dem Fehler schwerwiegende Folgen haben k\u00f6nnen, sind Transparenz und menschliche Aufsicht entscheidend \u2013 und mit dem AI Act der Europ\u00e4ischen Union auch eine regulatorische Vorgabe\u201c, sagt Sch\u00e4fer, der die Helmholtz Young Investigator Group DRACOS (steht f\u00fcr: Data-Driven Analysis of Complex Systems) am KIT leitet und f\u00fcr seine Arbeiten den \u00d6kologiepreis der Viktor & Sigrid Dulger Stiftung 2026 der Heidelberger Akademie der Wissenschaften erhalten hat.<\/p>\n\n\n\n

\u201eSHAPformer\u201c kombiniert mehrere Methoden\u00a0<\/h4>\n\n\n\n

In ihrer aktuellen Studie, die die Helmholtz-Gemeinschaft innerhalb von Helmholtz AI gef\u00f6rdert hat, stellt Sch\u00e4fers Arbeitsgruppe die neue Methode \u201eSHAPformer\u201c vor. Die Wissenschaftlerinnen und Wissenschaftler haben sie f\u00fcr Zeitreihenvorhersagen entwickelt \u2013 also f\u00fcr Prognosen auf Basis zeitlich aufeinanderfolgender Daten, beispielsweise von Stromverbrauch oder Strompreisen. Ziel ist es, KI-gest\u00fctzte Vorhersagen m\u00f6glichst pr\u00e4zise und nachvollziehbar zu machen.<\/p>\n\n\n\n

Die Methode kombiniert Transformer-Modelle \u2013 bekannt aus modernen Sprachmodellen \u2013 mit Verfahren der erkl\u00e4rbaren K\u00fcnstlichen Intelligenz (\u201eExplainable AI\u201c). Der Name \u201eSHAPformer\u201c verweist dabei auf die Verbindung von Transformer-Modellen mit SHAP-Methoden. Diese basieren auf Konzepten der Spieltheorie und machen sichtbar, welchen Einfluss einzelne Faktoren auf eine Vorhersage haben. Dazu z\u00e4hlen etwa Temperaturen, Feiertage, Windprognosen oder fr\u00fchere Verbrauchsdaten.<\/p>\n\n\n\n

Einfluss einzelner Faktoren wird sichtbar\u00a0<\/h4>\n\n\n\n

\u201eBeim Training unseres Modells haben wir gezielt einzelne Informationen ausgeblendet\u201c, erkl\u00e4rt Matthias Hertel, wissenschaftlicher Mitarbeiter am IAI des KIT und Erstautor der Studie. \u201eSo konnten wir nachvollziehen, welchen Einfluss bestimmte Eingaben auf die Vorhersagen des Modells haben.\u201c Das Team trainierte den Ansatz unter anderem mit realen Daten des \u00dcbertragungsnetzbetreibers TransnetBW. Ziel war es, Stromverbrauch und Strompreise \u00fcber Zeitr\u00e4ume von bis zu einer Woche vorherzusagen \u2013 und gleichzeitig sichtbar zu machen, welche Faktoren die Prognosen beeinflussen. So l\u00e4sst sich der Beitrag einzelner Einflussgr\u00f6\u00dfen zu einer Vorhersage analysieren.<\/p>\n\n\n\n

Erkl\u00e4rbarkeit direkt in das Training integriert<\/h4>\n\n\n\n

Viele bisherige Verfahren bieten erst nachtr\u00e4glich Erkl\u00e4rungen und ben\u00f6tigen daf\u00fcr gro\u00dfe zus\u00e4tzliche Rechenleistung. \u201eEine Besonderheit unseres Ansatzes ist es, dass wir die Erkl\u00e4rbarkeit direkt in den Trainingsprozess integrieren\u201c, sagt Hertel. Die Genauigkeit der Vorhersagen bleibt so erhalten, w\u00e4hrend die Effizienz der Analyse steigt.<\/p>\n\n\n\n

\u201eMit unserer Arbeit schaffen wir methodische Grundlagen daf\u00fcr, solche Ans\u00e4tze k\u00fcnftig in die Praxis zu \u00fcbertragen\u201c, sagt Sch\u00e4fer. Dabei spielen nicht nur technische Pr\u00e4zision und Vertrauensw\u00fcrdigkeit eine Rolle, sondern auch die Akzeptanz bei Anwenderinnen und Anwendern. Sch\u00e4fer nennt als Beispiel intelligente Systeme f\u00fcr das Laden und Entladen von Elektroautos oder Heimspeicher, die automatisch auf Strompreise reagieren. \u201eNutzerinnen und Nutzer haben wahrscheinlich eine gr\u00f6\u00dfere Akzeptanz gegen\u00fcber einem intelligenten Ladesystem, wenn klar nachvollziehbar ist, warum sich ein Elektroauto nachts sp\u00e4ter geladen hat als gew\u00f6hnlich \u2013 zum Beispiel, weil die Strompreise zwischenzeitlich besonders hoch waren und so Kosten eingespart werden konnten.\u201d <\/p>\n\n\n\n