Die Spitzenverschiebung des Stromverbrauchs im Smart Grid und Einflussfaktoren aus einem rekurrenten Neuronalen Netzwerkmodell und Deep Learning

Warum intelligenterer Stromverbrauch auf dem Campus wichtig ist

Universitätscampusse sind rund um die Uhr aktiv: Vorlesungen, Labore, Wohnheimleben, nächtliche Lernsessions und das stetige Surren von Servern und Beleuchtung. All das summiert sich zu starken Schwankungen im Strombedarf – scharfe Spitzen, wenn viele Geräte gleichzeitig laufen, und tiefe Täler, wenn Gebäude nur wenig genutzt werden. Diese Spitzen sind teuer für das Netz und verschwenderisch für den Planeten. Die Studie untersucht, wie die Kombination moderner KI-Werkzeuge mit wasserstoffbasierter Energiespeicherung Campusse dabei helfen kann, vorherzusagen, wann sie Strom brauchen, diese Spitzen zu glätten und Elektrizität effizienter zu nutzen, ohne das Lernen zu verdunkeln.

Muster im täglichen Campusleben erkennen

Kern der Arbeit ist die Idee, dass der Stromverbrauch auf einem Campus nicht zufällig ist – er folgt eng menschlichen Routinen. Die Forschenden sammelten detaillierte Leistungsdaten von 15 Gebäuden einer chinesischen Universität über etwa anderthalb Jahre sowie Wetteraufzeichnungen und Stundenpläne. Anschließend nutzten sie farbige Heatmaps, um zu zeigen, wie der Energieverbrauch Stunde für Stunde an verschiedenen Orten ansteigt und fällt: Wohnheime, Hörsäle, Büros, Mensen und Beleuchtungssysteme. Aus diesen Darstellungen definierten sie sechs alltägliche Muster, etwa Wohnheime mit zwei großen Spitzen zur Mittagszeit und spätabends, Hörsäle, die nur während der Unterrichtszeiten Spitzen aufweisen, und Straßenbeleuchtung, die nachts konstant brennt. Diese Muster bilden die Grundlage für maßgeschneiderte Energiesparstrategien je Gebäudetyp.

Ein neuronales Netz lehren, den Bedarf vorherzusagen

Um auf diese Muster reagieren zu können, muss man zuerst wissen, wie der nächste Tag aussehen wird. Das Team trainierte eine Form künstlicher Intelligenz, ein rekurrentes neuronales Netzwerk (RNN), um vorherzusagen, wie viel Strom jedes Gebäude von einer Stunde zur nächsten verbrauchen würde. RNNs sind darauf ausgelegt, mit Sequenzen zu arbeiten, und eignen sich daher gut, um zu verfolgen, wie sich die Leistungsnachfrage im Zeitverlauf entwickelt. Das Modell verarbeitete jeweils 24 Stunden jüngerer Historie auf einmal – vergangenen Stromverbrauch, Temperatur, Luftfeuchtigkeit, Tageszeit, Werktag oder Wochenende und sogar, ob Unterricht geplant war – und sagte dann den Verbrauch für die nächste Stunde voraus. Die Autorinnen und Autoren gingen sorgfältig mit der Datenbereinigung um: Fehlende Messwerte füllten sie auf, indem sie nach ähnlichen Tagen mit vergleichbarem Wetter und Zeitplan suchten, und sie teilten die Daten chronologisch in Trainings-, Validierungs- und Testmengen, um Overfitting zu vermeiden.

Andere Vorhersagemethoden übertreffen

Die Leistung des RNN wurde gegen mehrere gängige Prognosewerkzeuge getestet, darunter einfache lineare Regression, flexibelere nichtlineare Regression, traditionelle statistische Modelle wie ARIMA und Grey-Modelle sowie eine weitere Deep-Learning-Methode namens LSTM. Über Campusdaten und drei öffentliche Stromdatensätze hinweg lieferte das RNN durchweg geringere Fehler. In realen Campusversuchen war der mittlere quadratische Fehler des RNN – ein Maß, das große Fehlprognosen stärker bestraft – deutlich kleiner als bei der linearen Regression, und der durchschnittliche prozentuale Fehler blieb im einstelligen Bereich. Die Fehlerverteilungen zeigten, dass die Fehler des RNN eng beieinanderlagen und dass seine prognostizierten Kurven nahezu mit der tatsächlichen Last übereinstimmten, was sowohl Genauigkeit als auch Stabilität anzeigt. Die Autorinnen und Autoren weisen zwar darauf hin, dass das nicht bedeutet, RNNs schlagen generell immer LSTMs, zeigt es doch, dass ein relativ einfaches Netzwerk in diesem spezifischen Anwendungsfall sehr gut funktionieren kann.

Die Leistungskurve mit Wasserstoffspeicherung abflachen

Vorhersage allein senkt noch nicht die Kosten; man braucht auch eine Möglichkeit, die Nachfrage umzugestalten. Hier stellt die Studie ein virtuelles wasserstoffbasiertes Energiespeichersystem vor, das wie ein riesiger wiederaufladbarer Puffer funktioniert. Wenn die RNN-Prognose Niedriglaststunden signalisiert, „lädt“ das System, indem es Strom in Wasserstoff umwandelt; zeichnen sich Spitzen ab, „entlädt“ es und speist gespeicherte Energie zurück auf den Campus. Ein dynamischer Programmieralgorithmus entscheidet stundenweise, ob der Speicher laden, entladen oder ruhigstellen soll, und beachtet dabei Grenzen für Kapazität, Leistung und Wirkungsgrad. In einem repräsentativen 24‑Stunden‑Beispiel reduzierte diese Strategie die tägliche Maximalbelastung von etwa 46 Kilowattstunden auf ungefähr 33, verringerte die Differenz zwischen Spitze und Durchschnittsverbrauch und beseitigte alle Perioden, in denen die Nachfrage eine voreingestellte Obergrenze überschritt. Der Preis dafür war ein minimaler Anstieg des täglichen Gesamtenergieverbrauchs – weniger als ein Prozent – bedingt durch Verluste im Speicherkreislauf.

Was das für alltägliche Energienutzer bedeutet

Klar gesagt zeigt die Studie, dass Campusse – und damit auch Büroparks, Krankenhauskomplexe oder Wohngebiete – KI nutzen können, um ihre Energiezukunft nicht nur zu erkennen, sondern aktiv zu gestalten. Durch die Vorhersage, wann und wo Strom benötigt wird, und die Kopplung dieser Prognosen mit flexiblen Speichern wie Wasserstofftanks oder Batterien können Betreiber teure Spitzen reduzieren, den Off-Peak-Strom besser nutzen und die Belastung des übergeordneten Netzes verringern. Die Autorinnen und Autoren warnen, dass ihre Ergebnisse von einem Campus und einer simulierten Speicheranlage stammen und reale Implementierungen Preise, CO2‑Bilanz und Komfort berücksichtigen müssen. Dennoch bietet das Rahmenkonzept einen realistischen Bauplan für intelligentere, sauberere Stromnutzung an Orten, an denen sich die Energiegewohnheiten von morgen heute formen.

Zitation: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Schlüsselwörter: Smart Grid, Campusenergie, Lastprognose, Wasserstoffspeicherung, Deep Learning