Energieinfrastruktur-Anlagen als Multi-Sensoren für Vorhersage und Diagnostik _ EASE
![](/images/departments/32px/icon-h81000.png)
Abstract
Die Klimakriese führt zu einer Zunahme von extremen und ungünstigen Wetterereignissen und hat großen Einfluss auf den zuverlässigen Betrieb der Energieinfrastruktur, sei es durch temporäre Ereignisse wie Dunkelflauten und Vereisungen oder durch Schäden etwa nach Hagel und Stürmen. Beides führt zu hohen Kosten, einerseits wenn unerwartet Ausgleichsenergie bereitgestellt werden muss, andererseits weil Versicherungen die Schäden zu ersetzen haben. Die Schutz-Standards, die für heute errichtete Infrastruktur gelten, könnten in zukünftigen Klimaszenarien nicht mehr ausreichen und es könnte zu vermehrten Schäden und im schlimmsten Fall auch Ausfällen kommen. Diese sollten, sofern sie nicht abgewendet werden können, zumindest möglichst genau vorhergesehen werden, um Schlimmeres zu vermeiden oder rechtzeitig Maßnahmen zu setzen. Allerdings ist es mit den derzeitigen Methoden unzureichend möglich lokal und kurzfristig auftretende (Extrem)-Wetterereignisse genau vorherzusagen. Des Weiteren wären Informationen über den Pfadverlauf und den Eintreffzeitpunkt hilfreich für Vorhersage und Vorwarnung. Einerseits, um Energienetze auszubalancieren, andererseits um Schäden abzuwenden oder schnell reagieren zu können. Im Rahmen des Projektes EASE soll ein umfassendes System erforscht werden, in dem historische und laufende Daten von geographisch verteilten Energieinfrastruktur-Anlagen (z.B. PV, Wärmepumpen, Wind und Wasser), Wetterprognosen und Wetterstationen miteinander vernetzt werden. So wird ein dichtes 'Sensor'-Netzwerk geschaffen, wodurch auf Basis von künstlicher Intelligenz (KI) lokal spezifische und präzise Kurzzeitprognosen und eine Verbesserung von automatisierter Anlagendiagnostik ermöglicht werden. Mittels KI können die anfallenden riesigen Datenmengen verarbeitet und daraus ein potenzieller Nutzen für unterschiedliche Stakeholder:innen gezogen werden. In der Folge sind kleinräumige sowie kurzfristige Prognosen und Diagnostik von Erzeugungsanlagen möglich. Dabei wird aus dem Geschehen von Nachbaranlagen maschinell erlernt, wie sich Parameter lokal an einem Zielort entwickeln werden, z. B. Wolkentrajektorien. Einerseits kann damit die Energieerzeugung von volatilen Erneuerbaren mit hoher Genauigkeit vorausgesehen werden und gleichzeitig kann die Entwicklung und der Pfad von (Extrem)-Wetterereignissen lokal erkannt werden
Mitarbeiter*Innen
Philipp Weihs
Ao.Univ.Prof. Mag.rer.nat. Dr.rer.nat. Philipp Weihs
philipp.weihs@boku.ac.at
Tel: +43 1 47654-81424
BOKU Projektleiter*in
01.11.2023 - 31.10.2026
Victoria Saval
Victoria Saval
victoria.saval@students.boku.ac.at
Projektmitarbeiter*in
01.11.2023 - 31.10.2026
Michael Thon
Michael Thon
michael.thon@students.boku.ac.at
Projektmitarbeiter*in
01.07.2024 - 30.06.2025
BOKU Partner
Externe Partner
![](/images/partner.png)
AIT, Austrian Institute of Technology
Dr. Sarah Reisenbauer
Koordinator