Das Projekt wird unter anderem durch den stetig steigenden Kostendruck aufgrund der Anreizregulierung und die zunehmende Verknappung von materiellen sowie personellen Ressourcen, insbesondere im Zuge des Fachkräftemangels, motiviert. Deshalb muss der Einsatz der vorhandenen Ressourcen für Netzerneuerung, -ausbau und -instandhaltung möglichst effizient gestaltet werden. Gleichzeitig gewinnt im durch die Energiewende eingesetzten Transformationsprozess der Energielandschaft die Digitalisierung zunehmend an Bedeutung - wie auch aus dem gleichnamigen Gesetz zur Digitalisierung der Energiewende hervorgeht. Dabei besteht großes Potenzial, die in den letzten Jahren stetig verbesserten Fähigkeiten der Künstlichen Intelligenz (KI) im Kontext der Energiewende zu nutzen. Bisher ist der Einsatz von Methoden aus dem Bereich der KI und maschinellem Lernen auf der Ebene des Asset Managements für die weitere Optimierung von Instandhaltungs- sowie Erneuerungsstrategien jedoch, mit Ausnahme des Forschungsprojektes 'Predictive Asset Management' (PAM), wenig erforscht. Daher soll das Forschungsprojekt hier ansetzen und Methoden der KI umfassend auf die Ebene des Asset Managements für Betriebsmittel der gesamten Mittelspannungsebene übertragen. Im Zuge des Forschungsprojektes sollen gemeinsam mit der BUW zentrale normative Kennzahlen erarbeitet werden, welche als Grundlage für das Trainingsmodell der KI dienen sollen. Durch die Implementierung vorausschauender Wartungsstrategien für Assets wird eine erhöhte Planungssicherheit erwartet. Darüber hinaus sollen erhebliche Potenziale im Bereich der nachhaltigen Netzwirtschaft erschlossen werden. Die proaktive Wartung von Assets trägt zur Reduzierung der Treibhausgasemissionen, der Netzverluste und des Eigenverbrauchs der Liegenschaften bei. Diese Maßnahmen dienen als Indikatoren, sowohl für den Klimaschutz der Organisation als auch für das Ziel der Klimaneutralität bis 2045.
Dieses Projekt wird u.a. durch den steigenden Kostendruck infolge der Anreizregulierung und die Verknappung materieller sowie personeller Ressourcen, insbesondere im Kontext des Fachkräftemangels, motiviert. Der Einsatz vorhandener Ressourcen für die Netzerneuerung, den -ausbau und die -instandhaltung muss effizient gestaltet werden. Gleichzeitig gewinnt die Digitalisierung im Transformationsprozess der Energielandschaft an Bedeutung. Hier besteht Potenzial, die verbesserten Fähigkeiten von Künstlicher Intelligenz (KI) zu nutzen. Der Einsatz von KI-Methoden zur Optimierung von Instandhaltungs- und Erneuerungsstrategien im Asset Management ist bisher jedoch unzureichend erforscht. In diesem Teilvorhaben wird ein KI-basiertes System zur Optimierung von Strategien im Mittelspannungsnetz für Asset Manager entwickelt. Methoden des Reinforcement Learning werden auf ein zu entwickelndes Simulationsmodell angewandt, welches das Ausfallrisiko der Mittelspannungs-Komponenten sowie deren wirtschaftliche Kosten und Erlöse über den gesamten Lebenszyklus abbildet. Dadurch können Asset Manager verschiedene Szenarien in ihrem Mittelspannungsnetz simulieren und für ihre Unternehmensziele optimieren.
Dieses Projekt wird unter anderem durch den stetig steigenden Kostendruck aufgrund der Anreizregulierung und die zunehmende Verknappung von materiellen sowie personellen Ressourcen insbesondere im Zuge des Fachkräftemangels motiviert. Der Einsatz vorhandener Ressourcen für Netzerneuerung, -ausbau und -instandhaltung muss daher möglichst effizient gestaltet werden. Gleichzeitig gewinnt im Transformationsprozess der Energielandschaft die Digitalisierung zunehmend an Bedeutung. Hier besteht großes Potential, die stetig verbesserten Fähigkeiten der Künstlichen Intelligenz (KI) zu nutzen. Bisher ist der Einsatz von Methoden aus dem Bereich der KI und dem Machine Learning (ML) auf der Ebene des Asset Managements für die Optimierung von Instandhaltungs- sowie Erneuerungsstrategien jedoch nur wenig erforscht. Hier setzt das Forschungsprojekt an, um KI-Methoden umfassend auf die Ebene des Asset Managements für Betriebsmittel der gesamten MS-Ebene zu übertragen. Konkret werden in diesem Teilvorhaben dazu basierend auf einer bereits für Ortsnetzstationen entwickelten Systematik ereignisbezogene Zustandsbewertungssystematiken für MS-Kabel, MS-Freileitungen und MS-Betriebsmittel wie Leistungsschalter in Umspannwerken entwickelt, die als Basis für die Modellierung relevanter Ereignisse im Lebenszyklus dieser Betriebsmittel dienen. Über die ereignisbezogene Zustandsbewertung aller Betriebsmittel der MS-Ebene und der u.a. auf Störungsdaten und Instandhaltungshistorie basierenden Analyse der Wirkzusammenhänge zwischen Zustand und Ereigniswahrscheinlichkeit, werden somit Prognosemodelle unterstützt durch ML-Methoden für strategierelevante Ereignisse entwickelt. Diese Modelle dienen als Grundlage für das übergeordnete auf Reinforcement Learning basierende System, das zur ganzheitlichen Optimierung von Asset Management Strategien auf Basis der Unternehmenswerte der Netzbetreiber dient.
Der Klimawandel führt in deutschen Städten zu einem hohen Anpassungsdruck. Ein besonders vielversprechender Ansatz, um resilienter gegenüber Wetterextremen wie Hitze, Dürre und Starkregen zu sein, sind Naturbasierte Lösungen (NbS). Das neue Forschungsvorhaben Blue Green City Coaching (BGCC) - Implementierung blaugrüner Infrastrukturen zur Klimaanpassung kleinerer deutscher Großstädte: Aufbau eines wissenschaftsbasierten und anwendungsorientierten Coachings für Entscheidungsträger*innen in Stadt- und Regionalplanung, erarbeitet vor diesem Hintergrund bis Ende 2027 Analyse-Instrumente, die Potenziale und Grenzen von NbS für die Stärkung der urbanen Klimaresilienz offenlegen. Im Rahmen des Projektes durchlaufen ca. 10 deutsche mit 100.000 bis 300.000 Einwohnern ein individuelles Coaching. Das Coaching stellt Praxisnähe her, schafft institutionalisierte Partizipation der Entscheidungsträger*innen in der Stadt und testet zugleich verschiedene Bewertungsmethoden für NbS. Konkret soll das BGCC Entscheidungsträger*innen befähigen, wissenschaftlich koordiniert anwendbare Implementierungsstrategien für blaugrüne Infrastrukturen (BGI) zu erstellen. Dabei werden Potentiale und Grenzen identifiziert und diese möglichst im interkommunalen Austausch und mit Hilfe der sozialwissenschaftlichen, juristischen und siedlungswasserwirtschaftlichen Expertise des Projektteams überwunden. Methodisch werden vorhandene Bewertungssysteme für die Effekte und Potentiale wasserbezogener NbS in einer Coaching-Toolbox gebündelt, um Stadtakteuren Argumente und praxisnahe Hilfestellungen für NbS-Potentiale an die Hand zu geben. Bei diesen in der Coaching-Toolbox enthaltenen Potentialen geht es neben finanziellen Anreizen beispielsweise um Monitoring von Biodiversität und Stadtklima mit vielfältigen Effekten auf die Stadtgesundheit – dazu zählen unter anderem die Verringerung der Anzahl von Hitzetoten, eine erhöhte Lebenserwartung und verringerte Gesundheitskosten. Abschließend analysieren sozialwissenschaftliche Expert*innen des Projektteams systematisch die Umsetzungspotenziale und -hemmnisse und bündeln die Ergebnisse. Als Kernprodukt von BGCC entsteht das “BG-Coaching-Handbook”, welches die Toolbox-Inhalte als Handlungsanleitung für die Infrastrukturplanung auch für andere Kommunen replizierbar macht.