Macro Micro News Global Pulse. Local Truth.

Saudi-Forscher lösen Volatilität im Erneuerbaren-Netz mit physikgestützter KI

06 November 2026 · 2 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Kathrine Coonjohn
Image by Kathrine Coonjohn

Jiddah, Saudi-Arabien, Quelle:

Die globale Energielandschaft wandelt sich rasant hin zu Wind- und Photovoltaikquellen. Dieser Wandel bringt eine neue Herausforderung mit sich. Die natürliche Volatilität der erneuerbaren Erzeugung kann die Netzstabilität gefährden. Herkömmliche Prognosemethoden stoßen oft an ihre Grenzen, wenn komplexe physikalische Randbedingungen berücksichtigt werden müssen. Sie liefern manchmal Szenarien, die statistisch plausibel wirken, aber betrieblich nicht umsetzbar sind. Eine im November 2026 veröffentlichte Studie von Forschern der King Abdulaziz University bietet eine überzeugende Lösung. Ihr Ansatz kombiniert Deep Learning mit der Physik von Stromnetzen, um hochzuverlässige 24-Stunden-Szenarien für erneuerbare Energien zu erstellen.

Das Forschungsteam nutzte den EMHIRES-Datensatz. Diese Sammlung enthält mehr als 262.968 stündliche Werte der deutschen Wind- und Solarkapazitätsfaktoren aus den Jahren 1986 bis 2015. Durch die Kopplung dieser umfangreichen Daten mit einem vereinfachten IEEE-14-Knoten-Gleichstrom-Benchmark trainierten sie ein konditionales Diffusionsmodell. Dieses Modell lernt Betriebsgrenzen wie Rampenraten, Leitungslastkapazitäten und Generatorbegrenzungen. Es geht über einfache statistische Muster hinaus und versteht die physikalischen Regeln des Netzes.

Standard-Denoising-Diffusion-Probabilistic-Models erzeugen häufig physikalisch unrealistische Ergebnisse. Dazu gehören etwa PV-Erzeugung in dunklen Stunden oder Spannungssollwertüberschreitungen. Das neue Framework behebt diese Probleme durch eine zusammengesetzte Verlustfunktion und gradientengeleitete Stichprobenziehung. Diese Methode erzwingt physikalische Regeln bereits während des Generierungsprozesses selbst. Die Ergebnisse zeigen einen deutlichen Sprung in der betrieblichen Zuverlässigkeit. Während Standardmodelle nur eine Machbarkeitsrate von 14,61 Prozent für vollständige 24-Stunden-Verläufe erreichten, lag die physikgestützte Variante bei beeindruckenden 91,80 Prozent.

Einfache Persistenz-Baselines übertrafen das KI-Modell gelegentlich in der reinen Punktprognosegenauigkeit. Doch das neue Modell glänzt bei der Erzeugung kohärenter Mehrschrittszenarien. Solche Szenarien sind entscheidend für stochastische Optimierungen im Netzmanagement. Die Studie zeigt einen praktischen Zielkonflikt auf. Die physikalische Führung erhöht die Rechenlatenz leicht von 2,76 Millisekunden auf 22,29 Millisekunden pro Fenster. Dieser Anstieg reduziert jedoch den Bedarf an nachträglichen Reparaturmaßnahmen drastisch. Das Ergebnis ist ein Werkzeug, das sich viel besser für Echtzeit-Dispatch und Reservenzuteilung eignet.

Dieser Fortschritt markiert einen wichtigen Wandel von rein datengetriebener KI hin zu hybrider, physikinformierter maschiner Lernverfahren. Wenn generierte Prognosen die Grundgesetze der Elektrotechnik respektieren, können Netzbetreiber Engpässe besser managen. Zudem hilft dies bei der Optimierung der Speicherabgabe und der Aufrechterhaltung von Sicherheitsreserven. Da der Anteil erneuerbarer Energien weiter steigt, werden solche robusten, restriktionsbewussten Prognosewerkzeuge unverzichtbar sein. Sie bieten die Zuverlässigkeit und Nachhaltigkeit, die moderne Stromnetze benötigen.