Keine Blackbox: KI-Energieprognosen - nachvollziehbar & mittelstandstauglich

Produzierende Betriebe und Industrieunternehmen sind prädestiniert für die dezentrale Energieerzeugung. Mit ihrem hohen Stromverbrauch können sie selbst erzeugten Strom direkt nutzen – das macht Photovoltaik-Anlagen und Batteriespeicher wirtschaftlich attraktiv. Zugleich tragen sie damit zur Entlastung der Stromnetze bei und senken ihre Energiekosten sowie CO₂-Emissionen deutlich. Doch die Sache hat einen Haken: Erneuerbare Energien sind volatil. Wind und Sonne folgen keinem Produktionsplan.

Je präziser ein Unternehmen vorhersagen kann, wann die medial viel beschriebene Dunkelflaute bevorsteht oder wann Überproduktion zu erwarten ist, desto wirtschaftlicher kann es agieren. Präzise Prognosen ermöglichen es, Batteriespeicher rechtzeitig zu füllen, energieintensive Produktionsschritte in günstige Zeiten zu verschieben oder Strom zu optimalen Preisen ins Netz einzuspeisen.

In der Praxis scheitert dies jedoch häufig an der Komplexität: Präzise Prognosen sind bislang sehr aufwendig und erfordern die Zusammenarbeit mit Data-Science-Spezialisten. Mittelständische Produktionsbetriebe, die „nebenbei“ Photovoltaik betreiben, verfügen meist nicht über solche Experten und haben auch nur begrenzte Ressourcen. Daher nutzen viele elementare Tools wie Microsoft Excel, um mit viel Aufwand sehr unzuverlässige Prognosen zu erstellen.

Genau hier setzt die Innovation von ABB an, die auf dem Kolloquium vorgestellt wurde: Automatisiertes maschinelles Lernen (AutoML) macht präzise Energieprognosen zum Standard – ohne Spezialisten-Know-how. Die Technologie automatisiert den gesamten Prozess von der Datenaufbereitung über die Modellauswahl bis zur Optimierung. „Mit AutoML können Produktionsbetriebe eigenständig zuverlässige Prognosen erstellen“, erklärten die ABB-Vertreter vor dem Fachpublikum. Fortgeschrittene Prognosemethoden, die bisher als zu aufwendig galten, werden standardmäßig verfügbar – und verbessern die Qualität der Vorhersagen entscheidend.

So leistungsfähig KI-gestützte Energieprognosen auch sind – in der industriellen Praxis entscheidet letztlich das Vertrauen der Anwender über ihren Einsatz. Produktionsverantwortliche, Energiemanager und Betreiber müssen nachvollziehen können, warum ein System bestimmte Prognosen erstellt oder Optimierungsvorschläge macht. Gerade in kritischen Anwendungen wie Lastmanagement, Netzinteraktion oder der Steuerung energieintensiver Prozesse ist eine „Blackbox-KI“ kaum akzeptabel. Deshalb spielt erklärbare KI (Explainable AI) eine zentrale Rolle für die industrielle Nutzung von Machine Learning.

Dieses Thema ist ein zentraler Forschungsschwerpunkt von Dr. Martin Hoffmann, Research Team Manager Industrial AI bei ABB. Seine Arbeit zielt darauf ab, KI-Modelle so zu gestalten, dass ihre Ergebnisse transparent, überprüfbar und fachlich einordbar bleiben – ohne dabei an Prognosequalität einzubüßen. Auch bei den AutoML-basierten Energieprognosen und deren Integration in ABB Ability Optimax war dieser Ansatz entscheidend: Die Modelle liefern nicht nur präzise Vorhersagen, sondern ermöglichen es Anwendern, Einflussfaktoren, Unsicherheiten und Zusammenhänge besser zu verstehen. So entsteht Vertrauen in die KI-gestützten Entscheidungen – eine Grundvoraussetzung dafür, dass automatisierte Prognosen im industriellen Alltag tatsächlich genutzt und akzeptiert werden.

Die Bedeutung dieser Entwicklung geht weit über einzelne Betriebe hinaus. Wenn Tausende von Industriestandorten dank besserer Prognosen ihre dezentralen Energiesysteme optimal steuern, entsteht ein vervielfachter Effekt: Die Netzstabilität verbessert sich, die Integration erneuerbarer Energien gelingt reibungsloser, und die Gesamteffizienz des Energiesystems steigt signifikant.

Auf dem Kraftwerkstechnischen Kolloquium, das als eine der wichtigsten Fachveranstaltungen für Energietechnologie im deutschsprachigen Raum gilt, fand die ABB-Präsentation großes Interesse. Die Veranstaltung versammelte auch in diesem Jahr Experten aus Industrie, Forschung und Energiewirtschaft im Internationalen Congress Center Dresden.

Die im Rahmen des Kolloquiums vorgestellten AutoML-Methoden sind kein Zukunftskonzept mehr, sondern finden sich bereits in ABB Ability OPTIMAX wieder – dem Energiemanagementsystem, das weltweit in Industrieanlagen, Kraftwerken und Energiespeichern im Einsatz ist. Mit der aktuellen Version 6.4 hat ABB ein KI-Modul für automatisierte Energieprognosen integriert. Dieses erweitert die Plattform um Funktionen zur vorausschauenden Berechnung von Strom-, Wärme- und Preisentwicklungen. Der Clou: Die Prognosen entstehen ohne manuelle Eingriffe und passen sich dynamisch an neue Betriebsdaten an.

Die AutoML–Methoden, die in Optimax zum Einsatz kommen, wurden in den ABB-Forschungszentren speziell für die Vorhersage von multivariaten industriellen Zeitreihen entwickelt. Dies schafft das Fundament für einen robuste, zuverlässige und zugleich flexible Funktionsweise.  

Damit werden Prognosefähigkeiten, die bislang vor allem großen Energieversorgern vorbehalten waren, auch für industrielle Anwender zugänglich. Ein entscheidender Schritt hin zu einer dezentralen Energiewirtschaft, in der lokale Energiesysteme intelligent, autonom und zugleich netzdienlich agieren.