Das Stromnetz ist überfordert. Ein neuer KI-Kurs soll Ingenieure ausbilden, die es reparieren können
Amerikas Stromnetz wurde für eine ruhigere Zeit konzipiert. Jetzt werden KI-Tools eingesetzt, um die Lichter an zu halten, und ein neues Online-Programm bringt Ingenieuren bei, wie sie diese nutzen.
Wichtige Punkte
- Das U.S. Department of Energy sagt, dass das nationale Netz an seiner Grenze arbeitet und durch das Wachstum von Rechenzentren, extreme Wetterbedingungen und steigende Stromnachfrage belastet wird.
- Der größte Stromübertragungsnetzbetreiber von Texas meldete 220 Gigawatt neue Verbindungsanfragen in einem Zeitraum, hauptsächlich von KI- und Cloud-Computing-Anlagen.
- Eine McKinsey-Studie zeigt, dass fortgeschrittene Automatisierung in Infrastrukturnetzen die Ausfallzeit von Geräten um bis zu 50 Prozent senken und die Lebensdauer von Maschinen um bis zu 40 Prozent verlängern könnte.
- IEEE Educational Activities hat einen fünfteiligen Online-Kurs gestartet, der Stromtechnik-Ingenieure und Datenwissenschaftler lehrt, wie sie KI auf echte Netzprobleme anwenden.
- Der Kurs wurde von Fangxing Li, Elektrotechnik-Professor an der University of Tennessee, entwickelt, der die IEEE-Arbeitsgruppe für Machine Learning in Stromversorgungssystemen leitet.
Das amerikanische Stromnetz ist riesig, Jahrzehnte alt und zunehmend in Schwierigkeiten.
Das Netz wurde in einer Zeit konzipiert, als Strom hauptsächlich aus Kohle- und Gaskraftwerken kam und der Bedarf in einem stetigen, vorhersehbaren Tempo wuchs. Es war nie für die heutigen Belastungen ausgelegt. KI-Rechenzentren, Elektrofahrzeuge sowie immer häufigere Hitzewellen und Winterstürme belasten alle die gleichen veralteten Leitungen. Das U.S. Department of Energy hat gesagt, dass das System an seiner Grenze ist.
Die Zahlen sind beeindruckend. Der größte Stromübertragungsnetzbetreiber von Texas meldete kürzlich 220 Gigawatt neue Verbindungsanfragen, die meisten von KI- und Cloud-Computing-Einrichtungen. Zur Einordnung: Die gesamten Vereinigten Staaten verbrauchen an einem typischen Tag etwa 450 Gigawatt.
Warum können Ingenieure das nicht auf die alte Art regeln?
Sie können mit der Geschwindigkeit und dem Ausmaß des Problems nicht Schritt halten. Moderne Netze führen Signale von Millionen von digitalen Sensoren und intelligenten Zählern, Geräten, die Spannung, Nachfrage und Gerätezustand in Echtzeit verfolgen. Kein menschliches Team kann diese Daten schnell genug lesen, um danach zu handeln.
Erneuerbare Energien machen es noch schwieriger. Die Leistung von Wind- und Solaranlagen schwankt je nach Wolken und Böen um wenige Minuten. Netzbetreiber müssen Angebot und Nachfrage Sekunde für Sekunde abstimmen, um Blackouts zu verhindern, und der Spielraum für Fehler ist klein.
Cyberangriffe stellen ein drittes Risiko dar. Wenn Energieversorger alte analoge Schalter durch internetgestützte Kontrollsysteme ersetzen, öffnen sie neue Türen für Hacker.
KI kann auf allen drei Fronten helfen. Machine-Learning-Modelle, Software, die auf historische Muster trainiert wird, können einen Nachfragespitzenwert Stunden vorher vorhersagen, einen ausfallenden Transformator erkennen, bevor er explodiert, und ungewöhnliche Aktivitäten in einem digitalen Netz kennzeichnen. Eine McKinsey-Studie zeigt, dass diese Art der Automatisierung die Ausfallzeit von Geräten um bis zu 50 Prozent reduzieren und die Lebensdauer von Maschinen um bis zu 40 Prozent verlängern könnte.
Was ist der neue Kurs und für wen ist er?
IEEE Educational Activities, die Schulungsabteilung der größten Ingenieurefachverbände der Welt, hat ein Online-Programm mit dem Namen Artificial Intelligence for Power and Energy Systems gestartet, das erstmals von IEEE Spectrum berichtet wurde. Der Kurs richtet sich an arbeitende Stromtechnik-Ingenieure, die Datenfähigkeiten benötigen, und an Datenwissenschaftler, die verstehen müssen, wie Stromnetze tatsächlich funktionieren.
Professor Fangxing Li von der University of Tennessee entwickelte den Lehrplan über fünf Module.
| Modul | Inhalte |
|---|---|
| KI-Grundlagen | Wie grundlegende Machine-Learning-Modelle auf Stromnetzbberechnungen angewendet werden |
| Beschleunigung der Netzsteuerung | Verwendung von Trial-and-Error-KI zur Automatisierung von Notfalleinsätzen |
| Prognosen und Analytik | Vorhersage von Nachfragespitzen, Solar- und Windschwankungen sowie Marktpreisen |
| Physik-gestützte KI | KI-Modelle, die so codiert sind, dass sie die Gesetze der Physik befolgen und niemals gefährliche Ausgaben liefern |
| Generative KI und Technologie der nächsten Generation | Große Sprachmodelle und Graphennetzwerke für Planung und Berichterstattung |
Das Physik-Modul verdient Erwähnung. Ein Grund, warum Versorger KI nur langsam vertrauen, ist die Angst, dass ein Algorithmus einen Befehl ausgeben könnte, der teure Ausrüstung beschädigt. Das Modell an die Einhaltung physikalischer Gesetze zu binden, anstatt es frei lernen zu lassen, ist eine praktische Antwort auf diese Sorge.
Was bedeutet das für normale Stromkunden?
Weniger Blackouts und stabilere Stromrechnungen sind das Ziel. Ein Netz, das seine eigenen Fehler vorhersagen und reparieren kann, bevor sie sich ausbreiten, ist weniger anfällig dafür, eine Nachbarschaft während einer Hitzewelle oder Kältewelle ohne Strom zu lassen.
Der Kurs ist über das IEEE Learning Network erhältlich, mit Mengenpreisen für Organisationen auf Anfrage verfügbar.
