Energieplanung: Bessere Algorithmen für Entscheider

Steffen Rebennack besetzt die Professur für Stochastische Optimierung am KIT und nutzt angewandte Mathematik, um datenbasierte Entscheidungen zur regenerativen Energieversorgung zu optimieren.
Der Strom aus regenerativen Erzeugern ist schwer voraussagbar. Entscheidungen trotz unsicherer Parameter zu optimieren, ist Ziel einer Professur am KIT. (Bild: KIT)

Der Erfolg der Energiewende hängt mit davon ab, wie gut erneuerbare Energien in das Gesamtsystem integriert werden. Prognosen, wieviel Energie aus Wind, Sonne und Wasser zu jedem künftigen Zeitpunkt verfügbar sein wird, basieren auf riesigen Datenmengen. Professor Steffen Rebennack vom KIT nutzt angewandte Mathematik, um datenbasierte Entscheidungen in künftigen Energiesystemen zu optimieren.

Der Energieertrag aus regenerativen Erzeugern wie Windkraft, Photovoltaik oder Wasserkraft ist selbst innerhalb kurzer Zyklen schwer voraussagbar. Steffen Rebennack, neuer Inhaber der Professur für Stochastische Optimierung am Institut für Operations Research (IOR) des KIT will mithilfe angewandter Mathematik Entscheidungen im Energiebereich trotz vieler unsicherer Parameter optimieren. 

Ein Beispiel-Szenario: Ein Kraftwerksbetreiber möchte eruieren, auf welche Technologie er langfristig bauen soll. Seiner Entscheidung zugrunde liegen alle stündlichen Spotmarktpreise aus einem Zeitraum von 20 Jahren. Das ergibt eine Gesamtmenge von bis zu 30 Millionen punktueller Einzelentscheidungen, die alle unter unterschiedlichen Randbedingungen getroffen wurden. Um ein solches Datenvolumen berechnen zu können, adaptiert Rebennack das stochastische Modell „Benders-Dekomposition“ für die Energiesystemtechnik. Das Modell basiert darauf, dass spezielle Algorithmen ein Gesamtbild von Einzelentscheidungen wieder in einzelne Fragestellungen und deren unterschiedliche Rahmenbedingungen zerlegen, sie analysieren und wieder zusammen führen. Dieses Verfahren wiederholt sich, bis die Daten möglichst realitätsnah ausgewertet sind und zuverlässige Szenarien beschreiben können.

Anhand von Daten des texanischen Energieversorgers Electric Reliability Council of Texas (ERCOT) hat Rebennack seinen Ansatz bereits erfolgreich getestet. Dieser sei nicht nur für die Energiewirtschaft zukunftsweisend, sondern auch für die Finanzindustrie, Produktionsplanung oder das Gesundheitssystem.

Weitere Informationen in der Presseinformation 083/2017



sur, 27.06.2017