KITE

Die Deutsche Akademie der Technikwissenschaft (acatech) untergliedert die Transformation des Energieversorgungssystems in vier Phasen: 
1)    Ausbau der erneuerbaren Energien
2)    Systemintegration
3)    Synthetische Brennstoffe
4)    Importe erneuerbarer Energien

Neben dem weiteren notwendigen Ausbau erneuerbarer Energien befinden wir uns aktuell in Deutschland im Übergang zur Phase 2, der Systemintegration, um den Veränderungen durch die dezentralen erneuerbaren Energien in allen Ebenen Rechnung zu tragen. So müssen beispielsweise das Elektroenergietransport- und -verteilsystem effizienter betrieben, der Energieeinsatz im Quartiersbereich dezentral optimiert, Systemkomponenten passgenau entworfen und alle Bestandteile des Systems stetig überwacht werden.
Zwar stehen durch den Ausbau der Sensorik, der Nutzung von standardisierten Verfahren und Datenbanken für Teile der oben genannten Aufgaben eine wachsende Anzahl von Daten zur Verfügung. Jedoch ist häufig ihre Auswertung mit klassischen Verfahren sehr zeitintensiv oder kaum möglich. Insbesondere bei vielen Untersuchungsgrößen mit nichtlinearen oder auch unbekannten Abhängigkeiten können die Verfahren des maschinellen Lernens einen entscheidenden Beitrag zur Lösung der Herausforderungen der Systemintegration leisten.

In der Zusammenarbeit verschiedener Fachgebiete ergibt sich eine Reihe an Anwendungsfeldern, zu deren Lösung Methoden des maschinellen Lernens eingesetzt werden könnten. Dies umfassen unter anderem:
•   den Betrieb elektrischer Energienetze
•   Quartiersmanagement
•   Zustandsdiagnosen
•   Entwurf von Systemkomponenten

Für all diese Aufgaben können Methoden des maschinellen Lernens sinnvoll eingesetzt werden. Diese müssen jedoch folgenden Anforderungen gerecht werden, welche ihrerseits einer entsprechenden Grundlagenforschung bedürfen:
•   Genauigkeit der Ergebnisse
•   Zustandsrückführung
•   Optimalität
•   Domänenspezifische Verfahren

Sowohl auf Seiten der Anwendungen, der Methodik, sowie ihrer Zusammenführung, ist Grundlagenforschung und Entwicklungsarbeit zu leisten, um die genannten Herausforderungen zu bewältigen. Die Technische Universität Ilmenau mit ihrer Expertise in den Fachgebieten sollte hierbei eine international sichtbare Rolle spielen.

Das Forschungsvorhaben verfolgt folgende Ziele:
•   Etablierung eines Netzwerkes an der TU Ilmenau  
•   Themenschwerpunkte und methodische Querschnittsthemen erarbeiten und Problemzonen definieren, für die eine Anwendung von Methoden des Maschinellen Lernens von Interesse sein können
•   Identifikation und Ausbau von Schwerpunktkompetenzen für Künstliche Intelligenz 
•   Forschungsanträge stellen, die auf eine Zusammenarbeit zwischen den Fachgebieten abzielen