Mit der Digitalisierung dekarbonisieren - Bulletin.ch
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
D O S S I E R | E N E R G I E Z U KU N F T
Mit der Digitalisierung
dekarbonisieren
Einsatz von dezentraler KI | Die Integration von volatilen erneuerbaren Energien
in Verteilnetzen erschwert deren zuverlässigen Betrieb. Zwar können mit Smart
Metern die Verbrauchs- und Produktionsdaten zur Betriebsoptimierung des
Stromnetzes verwendet werden, jedoch limitieren Datenschutzbestimmungen
den Einsatz der Endverbraucherdaten. Ein KI-Tool soll da Abhilfe schaffen.
B E N B OW L E R , S E V E R I N N OWA K , A N TO N I O S PA PA E M M A N O U I L
A
uch in der Schweiz machen Re- Dienstleister untersuchen Möglichkei- schutzbestimmungen verhindern in der
gulierungen die Installation ten, um die künstliche Intelligenz (KI) Regel die Verwendung der Daten für an-
von Smart Metern allgegenwär- und andere moderne Data-Science- dere Zwecke als die Abrechnung. Das
tig. Das revidierte Energiegesetz, das Techniken basierend auf Smart-Meter- Ziel des Projekts Knowledge (Eigen-
seit 1. Januar 2018 in Kraft ist, zielt auf Daten zu nutzen und zusätzliche Vortei- schreibweise: KnowlEDGE) ist es, nach
eine 80%ige Abdeckung der Endver- le für Geschäfts- und Endkunden zu Möglichkeiten zu suchen, wie Smart-
braucher bis 2027. Digitale Instrumente schaffen. Die Herausforderungen beim Meter-Daten genutzt werden können,
ermöglichen es, diese vielen Datenquel- Zugriff, der Aggregation und der Analy- wenn sie bereits am Erfassungsort ver-
len effizient zu nutzen, um die Dekarbo- se von Zählerdaten limitieren die Ein- arbeitet werden. Zusätzlich zu den Kern-
nisierung voranzutreiben. Dadurch führung dieser Technologien jedoch zielen wird das Projekt indirekt die Rea-
kann die Leistungsfähigkeit von Strom- stark. Die Zentralisierung von Smart- lisierung des vom BFE vorgeschlagenen
netzen verbessert und erneuerbare Meter-Daten für die Analyse führt zu National Datahub unterstützen, indem
Bild: Pixabay
Energien können effektiver in Verteil- Schwachstellen in den Bereichen Daten- es das Potenzial von dezentralen Daten-
netzen integriert werden. EVUs und sicherheit und Datenschutz, und Daten- verarbeitungsansätzen aufzeigt.
36 bulletin.ch 12 / 2021
06_2112_Bowler.indd 36 26.11.21 14:06
E N E R G I E Z U KU N F T | D O S S I E R
Datenschutz durch dezentrale
künstliche Intelligenz
Im Knowledge-Projekt werden Alter- Innovation in KnowlEDGE Project
nativen zur zentralen Datenaggrega-
tion entwickelt, welche die Nutzung
von KI-Ansätzen für EVUs erheblich
vereinfachen sollen. Insbesondere wer-
den dezentrale Ansätze entwickelt, die
auf Anwendungsfälle von Verteilnetz-
betreibern (VNB) zugeschnitten sind. QUERY RESULTS QUERY RESULTS
Dazu gehören:
llProfilerstellung / Vorhersage der
Search
Netzbelastung in Nieder- und Mit- Centralised Al/Analytics
Federated
approach
telspannungsnetzen, die bei Lastma- approach
nagement, Überlastung und Drosse-
lung helfen sollen; Index
Intermediate results
llErkennung und Vorhersage von
Netzwerkanomalien und Versor-
gungsqualitätsmängeln, um netz-
werkbasierte Korrekturmassnah- Local Al Local Al Local Al
men zu ergreifen; und Edge Edge Edge
llUnterstützung von lokalen Dienst- computing computing computing
leistungen zur Verbesserung des
Netzbetriebs.
Ein Schwerpunkt des Projekts ist die Index Index Index
Auswertung des Mehrwerts einer ver-
teilten (federated) Analysestrategie
zur Wertschöpfung von industriellen,
gewerblichen und privaten Smart-
Meter-Daten (Bild 1).
Bild 1 Innovation im Knowledge-Projekt.
Verteilte Engpassberechnungen
und private Lastprognosen
Eine Simulationsumgebung wurde im zur Modellpersonalisierung mit lisieren; zweitens reduziert es das
Projekt entwickelt, mit der die Netz- einem Ansatz namens Federated Volumen des Datenaustauschs für die
werkbelastung für das Verteilnetz auf Learning. Analyse.
Basis von Docker-Containern und dem Das Projekt ergab, dass die Leis- EVUs sammeln Lastkurven meist in
MQTT-Protokoll (Message Queuing tungsmerkmale zentralisierter und einer Master-Datenbank in einem
Telemetry Transport) verteilt berech- dezentraler KI-Modelle ähnlich sind. «Head-End-System», das einen inte
net werden kann. So kann die Netz- Der Prozess des Trainings von Progno- gralen Bestandteil moderner Zähler
werkbelastung ohne Datenzentralisie- semodellen auf Endgeräten wird infrastruktur bildet. In der Praxis führt
rung berechnet werden, wobei sich immer noch untersucht. Es hat sich dies zu Hindernissen, denn gesetzliche
verschiedene Parameter wie die Leis- gezeigt, dass selbst in modernen Soft- Bestimmungen stufen Lastkurven als
tungsfähigkeit des Kommunikations- warebibliotheken wie TensorFlow Lite sensible Daten ein und schützen diese
systems verändern lassen. Man kann noch Anpassungen erforderlich sind, in hohem Masse. Deshalb dürfen die
zudem mit Rechenanforderungen in um KI-Modelle auf Endgeräten für die Daten nur für Analysen zur Abrech-
verschiedenen Teilen des Netzwerks, Lastprofilprognose zu verwenden. nung verwendet werden. Eine beson-
insbesondere in Smart Metern, experi- dere Erlaubnis der Endverbraucher
mentieren. Federated Learning verbessert kann den Anwendungsbereich der
Mehrere maschinelle Lernmodelle Datenschutz Daten erweitern, aber die Übertra-
für die Lastprognose wurden trainiert Federated Learning ist ein maschinel- gungsrate limitiert die Effektivität
und getestet. Als Referenz für die ler Lernansatz (ML), der es ermög- eines zentralen Ansatzes erheblich.
dezentralen Methoden diente ein zen- licht, das Lernen dezentral an dem Ort Typischerweise werden Lastkurven in
tralisierter Ansatz mit unbeschränk- auszuführen, an dem die Daten gene- 15-Minuten-Intervallen abgebildet und
ten Rechenressourcen. Zusätzlich riert werden. Statt die Daten zentral zu einmal täglich an das Head-End-Sys-
wurde ein Ansatz erarbeitet, mit dem verarbeiten, teilt der Ansatz den Trai- tem übertragen. Auf den Smart Metern
die Machbarkeit der Ausführung von ningsprozess auf mehrere Knoten auf. können jedoch Daten mit einer viel
Prognosealgorithmen direkt auf Dies bietet zwei Hauptvorteile: Ers- höheren Auflösung generiert werden,
Smart Metern untersucht werden tens schützt es die Privatsphäre inhä- ohne das Zählerdesign komplexer zu
Bilder: HSLU
konnte (Bild 2). Zum Projekt gehörte rent, indem es den EVUs ermöglicht, machen. Dies ermöglicht es, dezentral
auch die Entwicklung von Strategien nur selektiv Informationen zu zentra- präzisere KI-Lernmodelle zu erstellen.
bulletin.ch 12 / 2021 37
06_2112_Bowler.indd 37 26.11.21 14:06
D O S S I E R | E N E R G I E Z U KU N F T
wendungsfälle von EVUs dar. Zurzeit
werden mehrere Optionen geprüft, wo-
2500
input bei das Flower-Framework die vielver-
2000 median sprechendste Option zu sein scheint.
ground truth
1500 Zentrale Rolle des Smart Meters
1000 Die Möglichkeiten von Smart Metern
machen diese zu einem wichtigen
500
Enabler für die Bereitstellung von
0 dezentralen ML-Modellen. Basierend
0 50 100 150 200 250 auf den Kosten und individuellen
Anforderungen von EVUs variieren die
Bild 2 Probabilistische Lastprognosen werden entwickelt. Rechenressourcen von Smart Metern
stark. Technisch ist es zwar möglich,
ML-Modelle direkt in Smart-Meter-
Globales Firmware zu integrieren, jedoch ist dies
Modell wegen kommerzieller und geschäftli-
cher Einschränkungen aufwendig.
An Endgerät Aktualisierte
Federated gesendet Koeffizienten Zentraler Server – Modell Mittelung Wenn die Vorteile von «Edge Compu-
Learning Endgerät (Smart Meter) – Modell Personalisierung
ting» von den EVUs erkannt werden
Verbesserte Vorhersage und sie dies als Mindestanforderung
durch Retraining
für Smart Meter fordern, ist die Situa-
Modell
Endverbraucher
tion entschärft. Damit ML-Applikatio-
Personalisierung
Lastprofil
nen von Drittanbietern entwickelt und
genutzt werden können, müssen Smart
Bild 3 Beispielarchitektur der Modell-Personalisierung durch Federated Learning. Meter eine bekannte Entwicklungsum-
gebung bereitstellen. Was bei Industrie
zählern allmählich üblich ist, gilt bei
Diese beiden Limitierungen lassen Durch diesen Prozess trägt jedes Haushaltszählern noch als Zukunfts-
sich mit Federated Learning gleichzei- Endgerät zum Training bei, ohne sen- perspektive. Im Projekt wird mit dem
tig angehen, indem das Lernen des sible Daten zu übertragen. Da nur ein Landis+Gyr S650 Smart Grid Terminal
KI-Modells lokal stattfindet, wo die aktualisiertes Modell zurückgesendet und der E65C Remote Terminal Unit in
Daten generiert werden. Das EVU wird, wird die zwischen Server und Feldversuchen sowie mit dem E360
kann so seinen Datenschutzbestim- Endgerät ausgetauschte Datenmenge Residential Meter im Labor experimen-
mungen nachkommen und profitiert drastisch reduziert. tiert. Das Ziel von Feldversuchen ist,
zugleich von einem geringeren Daten- Im Projekt wurden verschiedene die Vorhersage von Lastprofilen und
volumen, das mit den Smart Metern Federated Learning Frameworks unter- Netzwerkbelastungsberechnungen auf
ausgetauscht und zentral gespeichert sucht, insbesondere, wie diese Frame- Smart Metern sowie die Datenübertra-
werden muss. works auf Endgeräten mit geringer Re- gung zwischen Smart Metern aufzuzei-
Wie funktioniert dies in der Praxis? chenleistung und kleinem Speicher im- gen. Dort, wo die Rechenkapazität von
Ein Server initiiert eine Anfrage an ein plementiert werden können (Bild 3). Haushaltszählern begrenzt ist, werden
Endgerät, um einen Trainingsprozess Federated Learning erfordert, dass die Alternativen gesucht, wo die Berech-
eines Modells zu starten, das entweder Trainingsalgorithmen auf Endgeräten nungen ausgeführt werden können,
an das Endgerät übertragen wird oder ausgeführt werden; dies führt zu Kom- bevor die Daten aggregiert werden, bei-
dort bereits vorhanden ist. Nach Erhalt promissen zwischen Datenaggregation, spielsweise in Datenkonzentratoren.
der Trainingsanweisung führt das End- Modellleistung und Hardwarenutzung. Im Projekt wird mit Datenclustering
gerät einen dezentralen Trainingspro- Es zeigte sich, dass heutige Smart Meter und Modellpersonalisierung experi-
zess für den lokalen Datensatz durch. für Privathaushalte nur bedingt Modell- mentiert, um den potenziellen Mehr-
Der Datensatz ist meist überschaubar, trainings dezentral durchführen kön- wert der Modellmittelung innerhalb des
und das Modelltraining wird nur teil- nen. Eine neue Generation von Smart Federated Learning Frameworks zu
weise komplettiert, basierend auf einer Metern mit Standardbetriebssystemen demonstrieren. Ein Grossteil der bishe-
begrenzten Anzahl von Iterationen. wie Linux und ML-fähigen Prozessoren rigen Analysen basiert auf Open-Sour-
Nach der erforderlichen Anzahl von (beispielsweise ARM-Cortex M7) er- ce-Datensätzen wie z. B. den Smart-
Trainingsiterationen wird das teilweise möglicht jedoch, Federated Learning Meter-Messwerten, die im Rahmen des
neu trainierte Modell von jedem End- auf Smart Metern zu implementieren Low-Carbon-London-Projekts öffent-
gerät an den zentralen Server zurückge- und den Anforderungen der Anwen- lich zugänglich gemacht wurden. Im
sendet, und der Server kombiniert die dungsfälle im Projekt gerecht zu wer- Feldversuch mit Projektpartner
Modelle zu einem aktualisierten globa- den. Der Reifegrad von Federated Lear- Romande Energie soll aufgezeigt wer-
len Modell. Dieses wird dann an alle ning Frameworks stellt eine zusätzliche den, wie Federated Learning genutzt
Endgeräte zurückgesendet, und der Herausforderung für die Implementie- werden kann, um die generischen Mo
Vorgang kann wiederholt werden. rung von Federated Learning für An- delle auf die konkreten Gegebenheiten
38 bulletin.ch 12 / 2021
06_2112_Bowler.indd 38 26.11.21 14:06
E N E R G I E Z U KU N F T | D O S S I E R
im Testfeld zu übertragen. Zusätzlich haben, diverse potenzielle Anwendun- potenzielle Vorteile von dezentralen
wird untersucht, wie individuelles End- gen und Dienste für Prosumer zu KI-Systemen für die Netzbelastungsbe-
verbraucherverhalten in Prognosemo- erschliessen, ohne die Privatsphäre rechnung gezeigt. Obwohl die beste-
dellen mit Personalisierung genauer oder Sicherheit zu beeinträchtigen. hende Smart-Meter-Infrastruktur nur
repräsentiert werden kann, wenn Ein zentraler Teil des Projekts ist die über eine begrenzte Rechenleistung
Federated Learning eingesetzt wird. kryptografische und sichere containe- verfügt, sind die Autoren der Ansicht,
Gleichzeitig werden die Untersu- risierte Umgebung des Projektpartners dass die Lösung mit industriellen Zäh-
chungen im Bereich des Federated VIA, einem Anbieter von KI- und lern und moderner Messinfrastruktur
Learning auf Geräte mit eingeschränk- Datenschutzsoftware. Ihre Trusted in Verteilnetze integriert werden kann.
ten Ressourcen erweitert. Als Aus- Analytics Chain Plattform (TAC) bietet Der im Knowledge-Projekt entwi-
gangspunkt werden Geräte gewählt, Software zur Verwaltung des Zugriffs ckelte Ansatz bietet viele Anwendungen
die sich für eine schnelle Prototypent- auf verteilte Datensätze und stellt im Bereich der Integration erneuerbarer
wicklung eignen, wie der Raspberry Pi. sicher, dass rechtliche und Cybersi- Energien, E-Mobilität, Verbraucher
Schliesslich wird aber Hardware einge- cherheitsanforderungen erfüllt werden engagement, Lastdisaggregation – und
setzt, die repräsentativer für moderne können. Die Kerncontainer der Platt- kann somit massgebend zur Dekarboni-
Smart Meter für Privathaushalte und form wurden kürzlich vom US-Vertei- sierung beitragen. Die Erkenntnisse
Industrie ist, damit die Vorteile des digungsministerium für das höchste können auch auf andere Lösungen für
Projektansatzes im Testfeld von Mass an Cybersicherheit akkreditiert. den Datenzugriff und den Datenschutz
Romande Energie in Rolle demons TAC wird bei Romande Energie wäh- im Energiesektor übertragen werden,
triert werden können. rend der Feldversuche eingesetzt. wo eine Zentralisierung der Daten ver-
mieden werden sollte.
Datenschutz durch Design Übertragbare Ergebnisse
Die im Projekt entwickelte Simula Fortschrittliche Analysemethoden, die Autoren
tionsumgebung garantiert den Daten- auf dezentraler Datenverarbeitung Ben Bowler ist senior wissenschaftlicher Mitarbeiter im
schutz durch ihr Design. Unabhängig basieren, haben das Potenzial, die Ziele Kompetenzzentrum Digital Energy & Electric Power.
JJ HSLU, 6048 Horw
von den Anforderungen im Testfeld der Schweizer Energiestrategie 2050 zu JJ benjamin.bowler@hslu.ch
geht es darum, einen Ansatz zu entwi- unterstützen, indem sie EVUs ermögli-
ckeln, der auf unterschiedlichen Gerä- chen, Stromnetze besser zu überwa- Dr. Severin Nowak ist wissenschaftlicher Mitarbeiter im
Kompetenzzentrum Digital Energy & Electric Power.
ten eingesetzt werden kann. Die chen und zu betreiben. Dies wiederum JJ severin.nowak@hslu.ch
Docker-basierte Umgebung ist ein hilft bei der Integration erneuerbarer
Kernbestandteil der Lösung. Es wird Energien und der Dekarbonisierung. Dr. Antonios Papaemmanouil leitet seit 2019 das Institut
für Elektrotechnik sowie das Kompetenzzentrum «Digital
weiterhin am Konzept der containeri- Im Knowledge-Projekt wurde die Energy & Electric Power» an der HSLU.
sierten Software für intelligente Zähler Machbarkeit und der Vorteil der Anwen- JJ antonios.papaemmanouil@hslu.ch
gearbeitet, denn die Containerisie- dung von verteilten Ansätzen für die Das Knowledge-Projekt läuft von 2019 bis 2022. Das
rung, kombiniert mit Federated Lear- Berechnung der Netzbelastung und die Projekt wurde mit Hilfe des Smart-Meter-Herstellers Lan-
dis+Gyr, des Kryptografie- und Datenschutzunternehmens
ning und geeigneten kryptografischen Überwachung der Versorgungsqualität Via Science AG (VIA) und des EVUs Romande Energie SA
Techniken, scheint das Potenzial zu untersucht. Bisherige Analysen haben initiiert und wird vom BFE gefördert.
RÉSUMÉ
Décarboner à l’aide de la numérisation
L’utilisation d’IA décentralisée offre certains avantages
Il est plus difficile d’atteindre une exploitation fiable des analyses effectuées jusqu’à présent ont mis en évidence cer-
réseaux de distribution lorsque ceux-ci doivent intégrer la tains avantages potentiels des systèmes d’IA distribués
production volatile de centrales photovoltaïques et pour le calcul de la charge du réseau. Bien que l’infrastruc-
éoliennes. Si les compteurs intelligents offrent la possibilité ture de compteurs intelligents existante ne dispose que
d’exploiter les données de consommation et de production d’une puissance de calcul limitée, les auteurs estiment
afin d’optimiser le fonctionnement du réseau électrique, les qu’avec des compteurs industriels et une infrastructure de
réglementations en matière de protection des données mesure avancée, cette solution peut être intégrée aux
limitent l’utilisation des données des utilisateurs finaux. Un réseaux de distribution.
outil IA (reposant sur l’intelligence artificielle) basé sur un L’approche développée dans le projet peut être utilisée
traitement décentralisé des données pourrait y remédier, pour de nombreuses applications : pour l’intégration des
car il résout le problème de la protection des données tout énergies renouvelables, la mobilité électrique, l’engage-
en réduisant les données à transmettre par les compteurs. ment des consommateurs et la désagrégation de la charge.
Dans le cadre du projet Knowledge de la HSLU, des cher- Les résultats obtenus peuvent également être transposés à
cheurs ont étudié la faisabilité et les avantages de l’utilisa- d’autres solutions du secteur de l’énergie nécessitant un
tion d’approches distribuées pour calculer la charge du accès aux données ainsi que leur protection, lorsque la cen-
réseau et surveiller la qualité de l’approvisionnement. Les tralisation des données doit être évitée. NO
bulletin.ch 12 / 2021 39
06_2112_Bowler.indd 39 26.11.21 14:06
Sie können auch lesen
