KI für Energiesysteme: Warum Prognosen zur Stromversorgung nachvollziehbar sein müssen

Stromnetze werden zunehmend von datengetriebenen Ansätzen und künstlicher Intelligenz (KI) beeinflusst. So sind Vorhersage-Algorithmen nötig, um vorauszusagen wie viel Strom morgen verbraucht wird, wie sich Preise entwickeln oder wie viel Strom eingespeist werden wird.

Solche Vorhersagen sind notwendig, weil Wind- und Solarstrom wetterabhängig schwanken und gleichzeitig auch der Verbrauch durch Elektroautos, Wärmepumpen und Batteriespeicher zunehmend komplexer, aber auch steuerbarer wird. Datengetriebene Prognosen helfen dabei, dieses komplexer werdende System stabil zu betreiben.

Doch viele datengetriebene Modelle sind intransparent: Moderne Deep-Learning-Verfahren, insbesondere Transformer-Modelle, wie sie auch modernen Sprachmodellen zugrunde liegen, treffen ihre Vorhersagen auf Basis von einer sehr großen Zahl von Parametern.

Viele datengetriebene Modelle sind intransparent

Wie genau eine einzelne Prognose zustande kommt, lässt sich von außen kaum nachvollziehen. Für ein sensibles System wie die Stromversorgung ist das ein Problem: Wie soll ein Kunde Vertrauen in das Ladesystem seines Elektroautos gewinnen, wenn dies unvorhersehbare und nicht erklärbare Entscheidungen trifft? Wie kann eine Ingenieurin in der Netzleitwarte eines Übertragungsnetzbetreibers Entscheidungen basierend auf KI-Vorhersagen treffen, wenn sie nicht weiß, woher diese Vorhersagen kommen?

Aber auch wenn einmal ein Fehler in der Vorhersage aufgetreten sein sollte, kann ein Algorithmus viel einfacher verbessert werden, wenn wir ihn verstehen. Schließlich gibt es mit dem „AI Act“ der Europäischen Union inzwischen eine regulatorische Vorgabe für Transparenz von KI-Anwendungen in kritischer Infrastruktur. Aber wie lassen sich undurchsichtige Modelle transparenter machen?

Das Problem mit bisherigen Erklärverfahren

Um nachzuvollziehen, welchen Anteil einzelne Einflussgrößen an einer Vorhersage haben, greifen viele Anwendungen auf sogenannte SHAP-Methoden zurück – ein Verfahren aus der erklärbaren KI, das auf spieltheoretischen Shapley-Werten basiert.

Die Grundidee: Man vergleicht, wie sehr sich die Vorhersage ändert, wenn man einen Eingabewert, beispielsweise die Windgeschwindigkeit, weglässt, oder in den meisten Algorithmen: den Eingabewert ändert. Verursacht eine kleine Änderung der Eingabe die Vorhersage stark, war diese Eingabegröße besonders wichtig.

Dieses Vorgehen ist leider sehr rechenaufwändig. Um eine einzelne Vorhersage vollständig zu erklären, muss ein Modell dabei sehr oft neu ausgewertet werden – für jede denkbare Kombination von modifizierten Eingabewerten.

Außerdem ergeben manche Änderungen unrealistische Kombinationen, wenn etwa an einem Wintertag hohe Temperaturen oder in der Nacht hohe PV-Erzeugungen getestet werden. Solche unrealistischen Kombinationen kann ein Modell oft nur unzureichend vorhersagen und sie sind für uns Menschen auch gar nicht wichtig, beeinflussen aber die final erzeugte Erklärung.

Daher haben wir, statt erst ein Modell zu trainieren und danach aufwändig Erklärungen zu berechnen, die Erklärbarkeit direkt in den Trainingsprozess des Transformer-Modells eingebaut. Der SHAPformer wurden als Open-Source-Softwarepaket veröffentlicht und gibt an, was passiert, wenn ein Einflussfaktor komplett wegfällt.

Wie wir vorgegangen sind

Wir nutzen die sogenannte Attention Manipulation von Transformern, um bestimmte Eingabegrößen während des Trainings unseres Modells vollständig auszublenden. Damit lässt sich der Beitrag jeder einzelnen Größe exakt berechnen und es werden keine unrealistischen Kombinationen erzeugt.

Zwar dauert das Training unseres Modells länger als das eines Blackbox-Modells. Dafür sind Erklärungen schon im Training mitberechnet. Statt wie bisher mit mehreren Sekunden bis Minuten für eine Erklärung zu rechnen, erreichen wir eine Beschleunigung um das 50- bis 1000-fache gegenüber dem gängigen Verfahren, je nach Datensatz.

Um zu untersuchen, wie plausibel die Erklärungen des SHAPformers auf Basis von realen Daten sind, betrachtete wir stündliche Lastdaten des Übertragungsnetzbetreibers TransnetBW sowie Day-Ahead-Strompreise der deutsch-luxemburgischen Preiszone.

Zunächst stellten wir fest, dass die Vorhersagegenauigkeit vergleichbar ist mit etablierten Modellen und bei den Strompreisen sogar etwas besser ist als die Genauigkeit anderer Modelle. Gleichzeitig lieferte der SHAPformer nachvollziehbare Erklärungsmuster.

Ein Beispiel: Bei den Strompreisen zeigte sich unter anderem ein klarer negativer Zusammenhang von Preis und der Windgeschwindigkeit: Viel Wind sorgt für günstige Einspeisung und damit tendenziell niedrigere Preise, was der ökonomischen Logik des Merit-Order-Prinzips entspricht.

Warum das für die Energiewende wichtig ist

Wir sind überzeugt, dass KI-Tools in unserer kritischen Infrastruktur, wie dem Energiesystem, nur flächendeckend eingesetzt werden, wenn sie auch erklärbar sind. Wir stellen uns vor, dass ein intelligentes Ladesystem für Elektroautos eine Nacht später als gewohnt lädt.

So ein Verhalten könnte zu Unmut führen oder aber einfacher akzeptiert werden, wenn nachvollziehbar ist, dass die Strompreise zwischenzeitlich besonders hoch waren und dadurch Kosten gespart wurden. Erklärbarkeit ist damit kein rein akademisches Spielfeld, sondern eine Voraussetzung dafür, dass Menschen automatisierten Systemen in einem Bereich vertrauen, in dem Fehler unmittelbare Folgen haben.

Wir sollten bei Algorithmen die Erklärbarkeit von Beginn an mitdenken, damit sie effizienter und praxistauglicher werden: Ein Verfahren, das für eine einzige Vorhersage Millionen von Modellauswertungen benötigt, lässt sich im laufenden Netzbetrieb kaum nutzen, wo täglich zahlreiche Prognosen aktualisiert werden müssen.

Erst wenn Erklärungen in Sekundenbruchteilen verfügbar sind, können sie routinemäßig in Entscheidungsprozesse einfließen – etwa wenn Netzbetreiber nachvollziehen wollen, warum ein Modell für den kommenden Tag eine ungewöhnliche Lastspitze vorhersagt.

Wer die Energiewende mit KI beschleunigen will, kommt an Erklärbarkeit nicht vorbei – und unsere Forschung zeigt, dass sich Genauigkeit und Nachvollziehbarkeit nicht ausschließen müssen.

Weitere Beiträge zum Thema auf unserem Blog

Wenn Wahrnehmungen von KI das Vertrauen in die Demokratie untergraben von Dr. Armin Granulo, Ludwig-Maximilians-Universität München

Wissensverlust durch KI? Wie Unternehmen innovativ und wettbewerbsfähig bleiben von Prof. Dr. Jin Gerlach, Universität Passau

Fünf Erfolgsfaktoren für die KI-Transformation in Unternehmen und Institutionen von Prof. Dr. Ronald Gleich, Frankfurt School of Finance & Management und Kollegen