Skip to main content Skip to Footer
November 14, 2018
KI in der Energiewirtschaft: Der Realität ins Auge blicken
von: Oliver Minor

Jede neue Technologie weckt zunächst große Erwartungen. Wenn es dann aber um den konkreten Einsatz geht, erkennt man, dass auch hinter neuen Technologien viel Arbeit steckt. So ist es auch bei der Künstlichen Intelligenz: Während einige erwarten, dass Dinge sich von Geisterhand erledigen, verzweifeln andere daran, dass der Chatbot auch beim dritten Versuch nicht weiß, wie lange der Supermarkt um die Ecke geöffnet hat. Dennoch ist beeindruckend, wie viele Anwendungen bereits durch KI-Algorithmen ‚intelligent’ geworden sind und uns schon heute bei vielen Alltagsproblemen helfen. Zudem lassen die jüngsten Entwicklungen beim sogenannten Deep Learning, einer Form des maschinellen Lernens, auf zahlreiche neue Einsatzfelder in der Zukunft hoffen.

Der Treibstoff für Künstliche Intelligenz sind Daten; deshalb ergeben sich für die Energiewirtschaft, die bereits heute zahlreiche Daten in Echtzeit erhebt, einige interessante Einsatzmöglichkeiten. Die Szenarien reichen von der Interaktion mit Kunden, etwa über intelligente Sprachassistenten, über die vorausschauende Wartung von Erzeugungsanlagen oder Assets im Versorgungsnetz bis hin zu automatisierten Handelssystemen und der Vorhersage von Energiepreisen. All das ist keine Zukunftsmusik, sondern wird bereits heute von Energieversorgern und Netzbetreibern genutzt. So experimentieren zum Beispiel Netzbetreiber mit KI-getriebenen Predictive-Maintenance-Lösungen, um Störungen im Stromnetz vorherzusehen und zu beheben, bevor sie tatsächlich eintreten. Der Algorithmus wertet dabei die Daten aus dem Netzbetrieb in Echtzeit aus und warnt bereits bei kleinen Abweichungen.

Je stärker die Digitalisierung in der Branche voranschreitet, desto mehr Einsatzfelder werden sich für Künstliche Intelligenz auftun. Über die Echtzeitdaten aus Smart Metern, vernetzten Hausgeräten und dem Ladestand von Elektrofahrzeugen ließe sich etwa der Energiebedarf in einer bestimmten Region ziemlich genau voraussagen und die Erzeugung entsprechend steuern. Auf kurze Sicht realistischer ist der Einsatz von KI, um etwa Lecks in Gas- und Fernwärmeleitungen aufzuspüren oder Manipulationen an der Installation in Haushalten schnell zu entdecken.

In kleinen Schritten zum Ziel

Das Potenzial der KI ist riesig; doch wie sollen Energieunternehmen bei der Umsetzung am besten vorgehen? Jeder, der sich diese Frage stellt, sollte sich dem Thema in drei Schritten nähern: Geschäftsziele, technologische Umsetzung, Mitarbeiter.

Zunächst einmal gilt: Eine Technologie dient immer der Lösung eines konkreten, geschäftsrelevanten Problems. Das klingt banal, doch sieht man allzu oft Projekte, bei denen sich die Verantwortlichen vorab auf eine bestimmte Technologie festlegen - und zwar ganz unabhängig davon, ob diese bei der Lösung des Problems wirklich hilft. Deshalb ist es wichtig, zunächst eine Reihe von Fragestellungen zu identifizieren, bei denen KI einen Wettbewerbsvorteil bringen würde. Grundvoraussetzung bleibt natürlich die Verfügbarkeit von entsprechenden Daten.

Dabei ist es wichtig, KI zunächst für die Lösung eines konkreten Problems zu nutzen und nicht alles auf einmal zu wollen. Außerdem muss klar sein, welchen Mehrwert so eine Lösung schaffen soll: Kosten senken? Effizienz steigern? User Experience verbessern und Kundenbindung festigen? Neue Umsatzquellen schaffen? Wer solche Ziele klar vorab definiert, wird im Nachhinein auch keine Schwierigkeiten haben, den Erfolg einer KI-Anwendung im Alltag objektiv zu bewerten.

Datenqualität als größte Hürde

Des Weiteren sollten sich die Verantwortlichen in den Energieunternehmen darüber im Klaren sein, dass jeder selbstlernende Algorithmus nur so gut ist, wie die Daten, die ihn füttern. In der Praxis zeigt sich bereits heute, dass fehlende Qualität und in Silos ‘gefangene’ Daten die Aussagekraft von KI-Modellen erheblich verringern. In einer zur diesjährigen Hannover Messe veröffentlichten Studie von Accenture gab mehr als die Hälfte der befragten Entscheider an, dass schlechte Daten die größte Hürde bei der Umsetzung von KI-Projekten seien, gefolgt von Bedenken bei der IT-Sicherheit sowie der schwierigen Kosten-Nutzen-Abwägung zwischen Eigenentwicklungen und der Verwendung von existierenden Lösungen.

Ist dieser erste Schritt vollbracht, geht es darum, die Vorgehensweise abzustecken und die richtigen Tools auszuwählen. Zunächst ist es ratsam, einen Prototypen für die gewünschte KI-Anwendung zu entwickeln, um so frühzeitig die Machbarkeit im Alltag zu überprüfen und mögliche Probleme bei der Umsetzung aufzudecken. Außerdem sollte ermittelt werden, wie hoch der Entwicklungsaufwand im Verhältnis zum Nutzen sein darf: Reichen existierende KI-Tools aus den ‚Baukästen’ der großen Anbieter, wie stark müssen diese angepasst werden, sind eigene Entwicklungen trotz der dafür benötigten Ressourcen der bessere Weg und verfügt mein Unternehmen überhaupt über die nötigen Fähigkeiten dafür?

Parallel dazu gilt es, die Mitarbeiter für die Zusammenarbeit mit Maschinen fit zu machen. Dabei geht es weniger darum, jeden einzelnen Angestellten zum IT-Experten umzuschulen, als vielmehr das Verständnis dafür zu fördern, was KI kann und was nicht. So muss klar sein, dass die Zusammenarbeit von Mensch und Maschine vor allem dem einzelnen Mitarbeiter hilft, seine Arbeit effizienter auszuführen. Die Technologie bedeutet eine Entlastung im Arbeitstag, etwa weil stark repetitive Vorgänge im Kundendienst automatisiert oder komplexe Aufgaben wie die Ermittlung von Störungsursachen mit Hilfe von KI besser gemeistert werden können. Gleichzeitig wird der Mensch aber auch zum ‚Lehrmeister‘ der Maschine, indem er die Algorithmen trainiert und damit immer zuverlässiger macht.

Die ersten Unternehmen haben bereits KI-Strategien definiert und arbeiten nun an der Umsetzung. Dabei werden die wenigsten diesen Weg alleine gehen, sondern sich in Ökosystemen mit starken Partnern – auch aus anderen Branchen – zusammenschließen. In den nächsten Jahren werden wir eine große Bandbreite an Use Cases für den Einsatz von KI in der Energiewirtschaft sehen. Auf Versorger und Netzbetreiber kommen spannende Zeiten zu.

Popular Tags

    Mehr über dieses Thema

      Archiv