Daten-getriebene Analyse komplexer Systeme (DRACOS)
- Ansprechperson:
- Projektgruppe:
- Förderung:
Helmholtz-Nachwuchsgruppe
sprungmarken_marker_4427
Überblick
Ziel unserer Forschung ist es, komplexe Probleme unserer Zeit zu lösen, wobei Nachhaltigkeit und vor allem die Energiewende und das Stromnetz im Vordergrund stehen. Methodisch kombiniert die Gruppe „Daten-getriebene Analyse komplexer Systeme (DRACOS)“ explorative Datenanalyse, physikalische Modellierung und Methoden des maschinellen Lernens. Ein Fokus liegt hier auf der Interpretierbarkeit der Modelle: Wir wollen keine „Black Box“-Vorhersagen entwickeln, sondern wir arbeiten an transparenten Modellen.
Forschung
Um den Klimawandel zu bekämpfen, muss unser Energiesystems grundlegend umgestaltet werden. Fossile Energieträger, wie Kohle, Öl und Gas, müssen durch erneuerbare Energiequellen wie Wind- und Sonnenenergie ersetzt werden. Diese Energiewende hin zu einem nachhaltigen Energiesystem bringt zahlreiche komplexe Herausforderungen mit sich, da die Stromerzeugung immer stärker schwankt, während gleichzeitig mehr Betriebsdaten denn je zur Verfügung stehen. Daher sind daten-getriebene Ansätze möglich und sogar notwendig, um die Energiesysteme von heute und morgen auf allen Ebenen vollständig zu verstehen.
Maschinelles Lernen und künstliche Intelligenz können diese enormen Datenmengen verarbeiten, müssen dies aber auf transparente Weise tun. Klassifizierungen oder Vorhersagen ohne Erklärungen schränken den Nutzen von Modellen stark ein. Daher versuchen wir, „Blackbox“-Modelle mit Hilfe von Interpretationswerkzeugen zu erklären oder direkt interpretierbare Modelle zu entwickeln. Zum Beispiel sollte ein Algorithmus, der den aktuellen Verbrauch eines Haushalts vorhersagt, erklären welche externen Faktoren, wie die Einspeisung von Photovoltaik-Anlagen, der aktuelle Strompreis oder die Uhrzeit, für seine Vorhersage relevant sind. Diese Transparenz ermöglicht dann Synergien aus maschinellen und menschlichen Modellen: Wo ist die Maschine besser als der Mensch? Was können wir daraus für unsere menschlichen Modelle lernen und diese dadurch besser machen?

Images adapted – Icon made by Becris from https://www.flaticon.com/
Unseren Beitrag haben wir in unserer Vision und Mission formuliert:
Vision: Wir leben in einer Welt, in der Energie aus nachhaltigen Quellen erzeugt wird, Entscheidungen empirisch belegt sind und Modelle für alle verständlich sind.
Mission: Wir entwickeln und benutzen neuste Methoden des maschinellen Lernens, um komplexe Energiesysteme zu verstehen, von Haushalten bis hin zum Übertragungsnetz. Wir legen Wert darauf, Daten und Code frei verfügbar zu machen und transparente Modelle zu entwicklen, um in einen Dialog mit Gesellschaft und Industrie einzusteigen. Wir machen unsere Ergebnisse für eine breite Öffentlichkeit zugänglich und verständlich.
Anwendungen und Partner
Für unsere Forschung nutzen wir Daten aus dem Energy Lab 2.0 und Netzfrequenz-Messungen von verschiedenen Stromnetzen. Wir arbeiten mit Kollegen am KIT, an anderen Universitäten und Helmholtz-Zentren zusammen, unter anderem im Rahmen von Helmholtz AI (Helmholtz Artificial Intelligence Cooperation Unit).
Für weitergehende Informationen kontaktieren Sie Benjamin Schäfer.
Publikationen
He, H.; Schäfer, B.; Beck, C.
2022. Scientific Reports, 12 (1), Artikel-Nr.: 12215. doi:10.1038/s41598-022-16109-2
Schäfer, B.; Beck, C.; Rhys, H.; Soteriou, H.; Jennings, P.; Beechey, A.; Heppell, C. M.
2022. Scientific Reports, 12 (1), Art.-Nr.: 12346. doi:10.1038/s41598-022-16342-9
Kruse, J.; Schäfer, B.; Witthaut, D.
2022. Electric Power Systems Research, 212, Art.-Nr.: 108489. doi:10.1016/j.epsr.2022.108489
Lund Onsaker, T.; Nygård, H. S.; Gomila, D.; Colet, P.; Mikut, R.; Jumar, R.; Kühnapfel, U.; Maass, H.; Hagenmeyer, V.; Witthaut, D.; Schäfer, B.
2022, September 27. doi:10.48550/arXiv.2209.15414
Hertel, M.; Ott, S.; Neumann, O.; Schäfer, B.; Mikut, R.; Hagenmeyer, V.
2022. 36. Conference on Neural Information Processing Systems (NeurIPS 2022), Online, 28. November–10. Dezember 2023
Böttcher, P. C.; Rydin Gorjão, L.; Beck, C.; Jumar, R.; Maass, H.; Hagenmeyer, V.; Witthaut, D.; Schäfer, B.
2022. Energy Advances. doi:10.1039/D2YA00150K
Hertel, M.; Ott, S.; Schäfer, B.; Mikut, R.; Hagenmeyer, V.; Neumann, O.
2022. Proceedings - 32. Workshop Computational Intelligence: Berlin, 1. - 2. Dezember 2022. Hrsg.: H. Schulte, F. Hoffmann; R. Mikut, 93–110, KIT Scientific Publishing
Schäfer, B.; Pesch, T.; Manik, D.; Gollenstede, J.; Lin, G.; Beck, H.-P.; Witthaut, D.; Timme, M.
2022. doi:10.48550/arXiv.2209.13278
Schäfer, B.; Pesch, T.; Manik, D.; Gollenstede, J.; Lin, G.; Beck, H.-P.; Witthaut, D.; Timme, M.
2022. Nature Communications, 13 (1), Art.-Nr.: 5396. doi:10.1038/s41467-022-32917-6
Heidrich, B.; Mannsperger, L.; Turowski, M.; Phipps, K.; Schäfer, B.; Mikut, R.; Hagenmeyer, V.
2022. DACH+ Conference on Energy Informatics German Federal Ministry for Economic Affairs and Energy
Heidrich, B.; Mannsperger, L.; Turowski, M.; Phipps, K.; Schäfer, B.; Mikut, R.; Hagenmeyer, V.
2022. Energy Informatics, 5 (S1), Article no: 20. doi:10.1186/s42162-022-00214-7
Anvari, M.; Proedrou, E.; Schäfer, B.; Beck, C.; Kantz, H.; Timme, M.
2022. Nature Communications, 13 (1), Art.-Nr.: 4593. doi:10.1038/s41467-022-31942-9
Tchuisseu, E. B. T.; Dongmo, E.-D.; Procházka, P.; Woafo, P.; Colet, P.; Schäfer, B.
2022. European Journal of Applied Mathematics, 1–17. doi:10.1017/S095679252100036X
Rydin Gorjao, L.; Vanfretti, L.; Witthaut, D.; Beck, C.; Schäfer, B.
2022. IEEE Access, 10, 18065–18073. doi:10.1109/ACCESS.2022.3150338
Rydin Gorjão, L.; Jumar, R.; Maass, H.; Hagenmeyer, V.; Yalcin, G. C.; Kruse, J.; Timme, M.; Beck, C.; Witthaut, D.; Schäfer, B.
2020. Nature Communications, 11 (1), Art.-Nr. 6362. doi:10.1038/s41467-020-19732-7