Macht KI die Energiebranche intelligenter? – Interview mit Dr. Rainer Hoffmann, EnBW


Wurde das Potenzial Künstlicher Intelligenz (KI) zunächst vor allem in Technologieunternehmen und der Forschung analysiert und diskutiert, ist KI mittlerweile eines der bestimmenden Businessthemen, auch in der Energiebranche. Welche Anwendungsfelder es für KI in der Energiewirtschaft gibt, erklärt Dr. Rainer Hoffmann, Senior Manager Digitale Transformation bei EnBW, in diesem Interview.

Dr. Rainer HoffmanDr. Rainer Hoffmann ist Senior Manager Digitale Transformation, EnBW Energie Baden-Württemberg AG. In seinem interaktiven Vortrag auf dem Handelsblatt Energy Boot Camp, am 20.05.19 spricht er zum Thema „FIT IN KÜNSTLICHER INTELLIGENZ“.

JETZT ANMELDEN

Interview mit Dr. Rainer Hoffmann, EnBW

Herr Dr. Hoffmann, in Ihrem Vortrag beim Handelsblatt „Energy Boot Camp“ sprechen Sie über künstliche Intelligenz. Welche Anwendungsfelder für KI gibt es in der Energiewirtschaft?

Die Möglichkeiten zur Anwendung von KI in der Energiebranche sind vielfältig. Insbesondere im Energiehandel sehe ich in verbesserten Prognosen und Handelsalgorithmen großes Potential. Zustandsprognosen für Verteilnetze sowie Zustandsüberwachung von Erzeugungsanlagen sind weitere wichtige Einsatzgebiete. Neben den rein energiewirtschaftlichen Themen gibt es auch im Finanzbereich, Servicemanagement oder Einkauf Potenzial für den Einsatz von KI. Insbesondere überall dort, wo Prozesse textbasiert sind, bietet KI eine große Chance, Abläufe effizienter zu gestalten. Zum Beispiel bei der schriftlichen Kommunikation mit Kunden.
Wir gehen aber auch neue Wege, zum Beispiel im Bereich kritischer Infrastruktur. Hier erproben wie die automatisierte Identifizierung auffälliger Situationen im öffentlichen Raum anhand von Videodaten.

In welchen konkreten Projekten haben Sie bereits KI-Lösungen eingesetzt?

Wir haben in allen genannten Bereichen Erfahrung mit KI gesammelt. Der überwiegende Teil unserer Lösungen wird bereits operativ als Service betrieben. Teilweise befinden sich Lösungen noch im Prototypen-Zustand. Außerdem prüfen wir aktuell zahlreiche Initiativen auf ihre Machbarkeit, von denen es gegebenenfalls nicht alle bis zum operativen Einsatz schaffen werden. Das ist unserer Erfahrungen nach eine Besonderheit von KI-Projekten: Sie lassen sich nicht nach Wasserfall abarbeiten, mit vorher klarem Ergebnis.

Können Sie ein Projekt exemplarisch etwas genauer beschreiben?

Im Bereich von Mittel- und Niederspannungsnetz haben wir die regulatorische Anforderung täglich genaue Last- und Einspeiseprognosen für die nächsten 48h zu liefern. Diese Prognosen sind auch die Grundlage für das dezentrale Steuern des Netzes durch die Operatoren in der Schaltleitung.
Wir haben zu diesem Zweck einen Cloud-basierten Service aufgebaut, der die Inputdaten unseres Verteilnetzbetreibers Netze BW entgegennimmt (das sind Wirkleistung von Trafos, Netztopologie, Lasten, Erzeuger). Mit Hilfe von Machine Learning wird eine Prognose der Last erstellt, welche der Netze BW dann über die gleiche Schnittstelle zur Verfügung gestellt wird. Dieser Service läuft mittlerweile vollautomatisiert, rund um die Uhr an 7 Tagen in der Woche.

Ein Algorithmus ist nur so gut wie die Daten, auf die er zugreifen kann. Wie stellen Sie sicher, dass die Datenqualität stimmt?

Gute Datenqualität kann nur durch ein unternehmens- und systemübergreifendes Vorgehen sichergestellt werden. Diese Data Governance ist für uns ein ganz zentrales Thema, für das wir extra die Rolle des Chief Data Officers geschaffen haben. Manche Teile des Konzerns sind hier schon recht weit, indem sie beispielsweise Data Stewards etablieren, deren Aufgabe es ist, die Qualität der Daten sicherzustellen. Aber damit allein ist die Datengrundlage für KI-Anwendungen noch nicht geschaffen. Das Teilen von Daten im Konzern, die Transparenz bezüglich vorhandener Daten und darauf basierender Anwendungen sowie das generelle Verständnis, dass Daten als wertvolles Asset zu behandeln sind, müssen noch mehr Teil unserer Kultur werden. Dieses Mindset im Konzern zu verbreiten wird uns die nächsten Jahre beschäftigen. Dabei hilft es nicht alleine, Richtlinien zu formulieren, vielmehr müssen die richtigen Anreize geschaffen und positive Vorbilder erzeugt werden.

Welche Strategie verfolgt EnBW bei der Entwicklung und Kommerzialisierung innovativer, datenbasierter Anwendungsfälle?

Anfänglich haben wir mit KI verschiedenste Anwendungsfälle bearbeitet, ohne dass eine Systematik hinsichtlich der Priorisierung bestand. Nach dieser ersten Phase des Experimentierens konnten wir Schwerpunktbereiche im Konzern identifizieren, mit denen wir gezielt Anwendungsfälle entwickeln möchten. Grundlagen hierfür waren beispielsweise die Verfügbarkeit von Daten und die Bereitschaft des Fachbereichs, Themen gemeinsam zu entwickeln.
Zum anderen priorisieren wir mittlerweile Projekte nach den Dimensionen monetärer, transformatorischer und strategischer Charakter. Natürlich sind uns die ertragreichsten Projekte am liebsten, allerdings begleiten wir auch Initiativen, die zum Beispiel im ersten Schritt vergleichsweise wenig Wert versprechen, jedoch die Grundlage für weitere Anwendungsfälle mit größerem Potential schaffen.