UNSEEN: Bewertung der Unsicherheiten in linear optimierenden Energiesystemmodellen unter Zuhilfenahme Neuronaler Netze

Abstract

Der Einsatz von Modellen zur Erstellung und Untersuchung von Szenarien ist ein wesentliches Instrument der Energiesystemanalyse. Für die Politikberatung ist die Frage nach der Verlässlichkeit von solchen Szenarien von großer Wichtigkeit, da diese mit großen Unsicherheiten behaftet sein können. Diesem Problem wird in UNSEEN begegnet: durch das Abfahren eines sehr großen Parameterraums sollen weit mehr als 1000 Energieszenarien automatisch generiert, berechnet und ausgewertet werden. Hierzu zählen insbesondere auch Extremszenarien. Eine wesentliche Herausforderung ist dabei die Senkung von Modellrechenzeiten zur Lösung gemischt-ganzzahliger Optimierungsprobleme. Im Vorläuferprojekt BEAM-ME wurde mit der Entwicklung und Anwendung des Open Source Solvers PIPS-IPM++ die Voraussetzung für den Einsatz von Hochleistungscomputern zur performanten Lösung dieser Modelle gelegt. Die grundlegende Idee für die Weiterentwicklung ist es eine Methode des Maschinellen Lernens (Reinforcement Learning) zu verwenden, um schnelle Vorhersagen der Ergebnisse eines Optimierungsproblems zu erhalten und diese als Startlösung für einen deterministischen Lösungsalgorithmus zu nutzen. Mittels Modellkopplungen und statistischer Analysen werden ex-post ausführliche Auswertungen des entstehenden Szenarioraums durchgeführt. Hierzu werden multi-kriterielle Indikatoren (u. a. zu Angemessenheit, Betriebssicherheit und Wirtschaftlichkeit) von möglichen, zukünftigen Stromversorgungssystemen ermittelt. Auf dieser Grundlage sollen abschließend Methoden entwickelt werden, um besonders interessante Punkte innerhalb des Szenarioraums gezielt ansteuern können.