Projekte

Die Forschungsgruppe Collaborative Interactive Learning (CIL) beschäftigt sich mit Forschungsthemen zur Interaktion zwischen Menschen und Modellen des maschinellen Lernens (ML). Dementsprechend ist CIL verwandt mit den Forschungsbereichen Human-in-the-Loop Learning, Human-centred Learning und Interactive Machine Learning. Ziel ist insbesondere, die Grundlagen für neuartige autonome Systeme zu schaffen, die in dynamischen, uneingeschränkten realen Umgebungen agieren können und in ihrer Interaktion und Zusammenarbeit mit Menschen effektiv, verständlich und angenehm sind. CIL untersucht zudem die Frage, wie der Lernprozess digitaler Systeme durch nahtlose, unauffällige Interaktion mit dem Menschen verbessert werden kann und umgekehrt: wie autonome interaktive Systeme das kollaborative Lernen des Menschen verbessern können. Im Hinblick auf die oben genannte Vision erforscht CIL kollaborative Sensorik und Wahrnehmung, Algorithmen und Architekturen sowie Interaktionsmodelle sowohl auf individueller als auch auf gesellschaftlicher Ebene. CIL strebt die Schaffung von Systemen an, die sinnvolle und wünschenswerte Unterstützung für Menschen bieten, ohne ihnen die Autonomie zu nehmen oder sie gar zu dominieren und sie letztendlich zu ersetzen.

Im Zentrum unserer Forschung stehen dabei Deep Learning (DL) Techniken in Kombination mit den folgenden Bereichen:

• Active Learning (AL): Beim AL steht die Interaktion mit menschlichen Annotator:innen zur Erhebung eines annotierten Datensatzes (bspw. Bilder mit Klasseninformationen) für das Training von DL-Modellen im Zentrum. Da diese Erhebung kostenintensiv ist, versucht AL durch eine intelligente Auswahl nützliche Daten zur Annotation auszuwählen.
• Uncertainty Modeling: Trotz des Erfolgs von DL-Modellen in vielen Bereichen ist ihre Fähigkeit, Unsicherheiten zu modellieren, noch immer stark eingeschränkt. In Bereichen wie AL und Anwendungen wie autonomes Fahren, ist es jedoch entscheidend, eine Vorhersage zu erhalten, die verschiedene Arten von Unsicherheiten widerspiegelt. Ein entsprechendes Beispiel zur Unsicherheitsschätzung für einen zwei-dimensionalen Datensatz ist im unteren Bild dargestellt.
• Noisy Labels: Standard DL-Modelle benötigen korrekt annotierte Daten für ihren erfolgreichen Einsatz. In vielen Applikationen werden die Annotationen jedoch häufig von mehreren fehleranfälligen Menschen, bspw. Crowdworker, zur Verfügung gestellt. Zum Lernen mit den resultierenden fehlerhaften Annotationen (sogenannten Noisy Labels) werden spezielle Techniken benötigt.
• Explainable Artificial Intelligence (xAI): Da DL-Modelle häufig für Menschen nicht nachvollziehbare Vorhersagen liefern, ist die Nutzung von Methoden des xAI zur Steigerung der Transparenz von größter Wichtigkeit. So erlaubt man den Menschen eine verbesserte und intuitive Überwachung der Entscheidungsprozesse eines DL-Modells.

Mittels der Kombination von Techniken aus diesen Bereichen streben wir die Realisierung von CIL-Systemen an. Ein simples Beispiel eines solchen Systems ist im unten angezeigten Video dargestellt, bei dem ein Roboter durch Interaktion mit einem Menschen eine Sortieraufgabe erlernt.

Video: Automated Active Learning For Training a Sorting Robot

Bei dem Forschungsprojekt Intelligenter Finanzassistent (INFINA) handelt es sich um ein Verbundvorhaben zwischen dem Fachgebiet Intelligente Eingebettete Systeme (IES) der Universität Kassel und der fino create GmbH mit Sitz im Kasseler Science Park. Gefördert wird dieses Vorhaben durch die Wirtschafts- und Infrastrukturbank Hessen im Rahmen des Operationellen Programms für die Förderung von Investitionen in Wachstum und Beschäftigung in Hessen aus Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE) 2014 bis 2020 (IWB-EFRE-Programm Hessen).

Der Gegenstand dieses Kooperationsprojekts ist die Erforschung eines automatisierten sowie auf Maschinellem Lernen basierenden intelligenten Finanzassistenten. Dadurch soll die finanzielle Situation eines Nutzenden analysiert und mögliche Verbesserungspotenziale aufgezeigt werden. Das technische Ziel dieses Finanzassistenten ist es, Nutzende in ihrer finanziellen Situation vollumfänglich zu unterstützen und Werkzeuge für das Treffen von finanziellen Entscheidungen bereitzustellen. Das Teilvorhaben der fino create GmbH konzentriert sich zum einen auf die technische Entwicklung und zum anderen auf die Beobachtung des Marktes. Das Teilvorhaben des Fachgebiets IES der Universität Kassel fokussiert sich hingegen auf die Grundlagen des Systems, welche auf Maschinellem Lernen basieren sollen. Hierbei werden neuartige Verfahren zur Repräsentation und zum Vergleich von Zeitreihen auf Basis diskreter Ereignisse erforscht sowie Methoden zum Transfer von Wissen und der Aggregation ähnlicher Nutzergruppen untersucht. Damit liegt der Fokus der Forschung darin, verschiedene maschinelle Lerntechniken zu erproben und zu validieren, um darauf aufbauend einen Prototyp zu modellieren. Es handelt sich um industrielle Forschung unter Einbeziehung von Aspekten der Grundlagenforschung in Kooperation zwischen Unternehmen und Universität. Zusammenfassend sind die Arbeitsbereiche des IES: Klassifikation und Repräsentation von Zeitreihen (mittels Aktivem Lernen), Ähnlichkeitsbestimmung, Regression und Nutzergruppenvergleich

Das ZIM Projekt "Entwicklung eines verteilten, zweistufigen Fraud-Detection System basierend auf künstlicher Intelligenz sowie Implementierung dieses Systems auf ARM-basierenden Hybridservern; Entwicklung einer Selektionsmethodik zur Detektion von Fraudmustern auf Basis von Stream Based Active Learning mit Konfidenz > 95% und Entwicklung einer verteilten Serverstruktur (Hybridcloud und Hybridservern) auf ARM-Basis für Echtzeitanalyse" befasst sich mit der Fragestellung, wie Machine Learning und insbesondere Active Learning genutzt werden können, um Betrug (Fraud) an Telefondienstanbietern, Vermittlungsstellen und deren Kunden zu erkennen (Fraud-Detection). Die gesammelten Verbindungsdaten werden als Datenstream behandelt, sodass eine Echtzeitanalyse der Anrufe möglich ist. Stream Based Active Learning soll hierbei genutzt werden um sowohl bekannte Fraudmuster an verändernde Verhaltensmuster der Betrüger anzupassen, als auch neue Muster zu erkennen. Darüber hinaus müssen die trainierten Klassifikatoren interpretierbar sein, was heißt, dass die Klassifikation nachvollziehbar sein muss, um dies bei einer Anfechtung begründen zu können.

Im Hessen Agentur-Projekt "VitaB Klassifizierung der Vitalparameter zur individuellen vitalen und kognitiven Zustandsbestimmung des Menschen" geht es um die Erkennung von verschiedenen Zuständen, in denen sich ein Autofahrer befinden kann.

Es werden Vitalpartner verwendet, die auf Basis von Herzdaten berechnet werden, um zum Beispiel Aufmerksamkeit, Konzentrationsfähigkeit oder Müdigkeit abzuschätzen.

Die Umsetzung erfolgt von Konzeptionierung eines Systems, über die Aufzeichnung von Beispieldaten bis zur Auswertung und Zustandsvorhersage.

Im gesamten Prozess kommen dabei bekannte und neu-entwickelte Techniken zur Datenvorverarbeitung, zur Merkmalsextraktion und -Selektion sowie verschiedene maschinelle Lernverfahren zur Anwendung. Letztendlich mündet die Entwicklung und alle Evaluationen in einem Demonstrator, bei dem Live-Zustandsvorhersagen von Fahrern gemacht werden können.

Dieses Projekt (HA-Projekt-Nr.: 545/17-27) wird im Rahmen der Innovationsförderung Hessen aus Mitteln der LOEWE – Landes-Offensive zur Entwicklung Wissenschaftlichökonomischer Exzellenz, Förderlinie 3: KMUVerbundvorhaben gefördert.

Im DFG-Projekt "Organische Computertechniken zur Laufzeitselbstadaption von multi-modalen Aktivitäts-Erkennungssystemen" werden Techniken zur autonomen Sensoradaption entwickelt.

Angesiedelt im Feld der Aktivitätserkennung, sind Multi-Sensor-Systeme nach wie vor ein wichtiges Forschungsschema.

In diesem Bereich werden Methoden erforscht, mit denen neue Sensorquellen zur Laufzeit zu einem bestehenden System hinzugefügt werden können.

Derartige Systeme zeichnen sich zum einen durch eine höhere Robustheit aus, da Sensorausfälle kompensiert werden können (Selbstheilung).

Zum anderen kann die Leistungsfähigkeit solcher Systeme gesteigert werden, ohne dass diese zur Designzeit bekannt waren.

Ziel des Verbundvorhabens KITE ist es hocheffiziente Motortopologien für elektrische Antriebsmaschinen zu entwickeln. Dabei helfen sollen Modelle auf Basis künstlicher Intelligenz (KI), welches den großen Lösungsraum an möglichen Topologien abbildet und neue hocheffiziente Topologien vorschlägt. Das Vorhaben hat zum einen das Ziel, den Entwicklungsprozess substantiell zu beschleunigen, indem in einer frühen Entwicklungsphase eine Vielzahl möglicher Topologien effizient hinsichtlich verschiedener Gütekriterien bewertet werden. Zum anderen soll die Auslegung selbst durch KI-Methoden unterstützt werden, indem gezielt neue, potenziell auch bisher unbekannte, optimale Topologieansätze für nachgeschaltete, FEM-basierte Untersuchungen und Optimierungen gefunden werden. Zur Validierung des Verfahrens und für den Nachweis des Nutzens der Methodik wird eine optimierte Maschinenausführung prototypisch aufgebaut. Die zunehmende Marktdurchdringung der Elektromobilität und die damit wachsenden Stückzahlen führen dazu, dass der Materialaufwand für zentrale Komponenten in elektrischen Maschinen, wie z.B. Magnete, und die Energieeffizienz von elektrischen Maschinen sowohl ökonomisch wie ökologisch kritisch werden und sich die Fähigkeit, diese zu optimieren, als hochgradig wettbewerbsrelevant erweist. Daher werden erhebliche Anstrengungen in der Industrie und der Forschung unternommen, um die Topologie der Rotoren, einem der zentralen Elemente elektrischer Maschinen hinsichtlich relevanter Kriterien - z.B. Größe, Form, Art und Anordnung der Magnete und Bleche- zu optimieren. Gleichzeitig sind Leistungsspezifikationen (Drehmomente, Drehzahlen) sowie thermische, mechanische und elektrische Randbedingungen einzuhalten. Aufgrund der ihnen zugrundeliegenden Physik ist, die Der Lösungsraum potenzieller Topologien ist extrem groß. Daher sind aktuelle Entwurfsprozesse meist heuristisch und beruhen in hohem Maß auf Expertenwissen und physikalischen Näherungen. Für die weitere Optimierung bestehen physikalisch basierte Verfahren (z.B. SNOPT: Sparse Nonlinear OPTimizer) auf Ebene der FEM-Netzpunkte und Verfahren der Parametervariation in Kombination mit FEM- oder parameterbasierten Modellen. Ersteres erfasst theoretisch den gesamten Lösungsraum (d.h. die Menge aller möglichen Topologien), während letzteres bereits durch die Wahl der Parameter diesen Raum einschränkt. Parameterbasierte Modelle sind darüber hinaus nur für einen Teil des Lösungsraumes definiert und weisen zudem eine im Vergleich zur FEM-Simulation deutlich geringere Genauigkeit aus. Des Weiteren sind FEM-basierte Verfahren sehr rechenintensiv, so dass mit endlicher Rechenzeit vorrangig lokale Optima auf Basis möglichst guter initialer Topologien ermittelt werden. Letztendlich werden damit bekannte Topologieansätze optimiert, aber keine neuen Lösungen gefunden. Diese Problematik, in endlicher Zeit, mit hoher Genauigkeit und mit zwar großen, aber limitierten Rechnerkapazitäten eine optimale Topologie über dem gesamten Lösungsraum zu finden, wird durch das Projekt KITE adressiert. Die initiale Topologie wird heute überwiegend aus Erfahrungswerten und heuristischer Herangehensweise identifiziert. Ziel des Vorhabens ist eine KI-basierte Exploration des Lösungsraums durch Generierung von vielversprechenden Initialtopologien, wohingegen das Fine-Tuning (Exploitation des Lösungsraums) weiterhin mit den bestehenden Optimierungsverfahren erfolgen soll.

Förderung: Bundesministerium für Bildung und Forschung - BMBF

Laufzeit: 01.10.2021 bis 30.09.2023

Projektpartner:

• Universität Kassel - Intelligente Eingebettete Systeme IES
• Gerog-August-Universität Göttingen - Zelluläre Neurobiologie
• Green Excellence GmbH
• Avacon Netz GmbH (assoziierter Partner)
• Stromnetz Hamburg GmbH (assoziierter Partner)

Inhalt:

Durch die Transformation des deutschen Energiesystems besteht erhöhter Bedarf nach hochaufgelösten Verbrauchszeitreihen. Der Einsatz von KI ermöglicht effiziente Betriebsführungs- und Prognoselösungen und darauf aufbauende Geschäftsmodelle für vereinfachte Teilhabe aktiver Verbraucher bzw. Prosumer an der integrierten Energiewende. Für das Training solcher Modelle sind große Mengen an Stromverbrauchsdaten erforderlich. Der Stromverbrauch in Haushalt, Gewerbe und Landwirtschaft ist abhängig vom Nutzerverhalten und unterliegt derzeit einem starken Wandel. Gemessene Lastzeitreihen unterliegen der DSGVO, da sie personen- bzw. unternehmensspezifische Verhaltenscharakteristika aufweisen.

Ziel des Projektes ist es, synthetische Lastzeitreihen für unterschiedliche Verbrauchertypen zu erzeugen, die in ihrer Charakteristik nicht von realen Messdaten zu unterscheiden sind, aber gleichzeitig eine weitest gehende Anonymisierung gewährleisten. Hierzu werden unterschiedliche GAN-Verfahren untersucht, die Neuronalen Netze für die Erzeugung von Energiezeitreihen adaptiert und anwendet. Durch Selbstklassifizierungsverfahren sollen außerdem Einflussgrößen in realen Messdaten erfasst und als Grundlage für die GAN-Generierung genutzt werden, um das Verhalten unterschiedlicher Verbraucher akkurat abzubilden. Die entwickelten Methoden und ein Beispieldatensatz werden anschließend der Wirtschaft und Wissenschaft kostenfrei zur Verfügung gestellt.

Wie Daten das Autonome Fahrzeug von morgen prägen

Die Universität Kassel ist neben 17 weitern Partnern aus Wissenschaft und Wirtschaft an dem Verbundprojekt „KI Data Tooling“ beteiligt. Für das Vorhaben erhält sie ab April 2020 für einen Zeitraum von drei Jahren vom Bundesministerium für Wirtschaft und Energie (BMWi) eine Fördersumme in Höhe von insgesamt knapp 850.000€. Das Verbundprojekt ist Teil der KI-Projektfamilie der Initiative „Autonomes und Vernetztes Fahren“ der deutschen Automobilindustrie.

Künstliche Intelligenz (KI) und insbesondere das maschinelle Lernen sind die Schlüsseltechnologien des autonomen Fahrens. Leistungsfähige Computer und Algorithmen erlernen selbstständig Erkennungs- und Lösungsmuster, wie beispielsweise die automatische Erkennung von Verkehrsschildern, anderen Fahrzeugen oder Fußgängern mit Hilfe von Kamerabildern, Radar- oder Laserdaten.

In der hier gezeigten urbane Verkehrssituation, in der ein autonom fahrendes Fahrzeug hinter einem Radfahrer auf eine Kreuzung zufährt wird die Umgebug durch die im Fahrzeug eingebaute Kamera wahrgenommen. Die mittels maschineller Lernmethoden „angelernte“ KI versucht alle Verkehrsteilnehmer im Kamerabild zu erkennen. Da das Wetter regnerisch ist und die Sicht eher schlecht wird das entgegenkommende Fahrzeug nicht erkannt. Jedoch ist es zur Absicherung der automatisierten Fahrfunktionen notwendig, dass eine KI auch in solchen schwierigen und zumeist auch kritischen Situationen zuverlässig funktioniert. Im Rahmen des KI Data Tooling Projekts sollen daher Werkzeuge entwickelt werden, die solche kritischen und von der KI nicht gut abgedeckten Situationen automatisiert identifizieren können. Damit eine KI „angelernt“ und ihre Funktionalität abgesichert werden kann ist jedoch eine große Menge an Beispieldaten erforderlich. Eine derartige Datenbasis kann Entwicklungszyklen und Erprobungsphasen erheblich verkürzen. Im Projekt „KI Data Tooling“ werden Methoden und Werkzeuge für einen effizienten Aufbau der Datenbasis für das automatisierte Fahren entwickelt. Allerdings werden nicht nur die Funktionen für autonomes Fahren auf KI beruhen. Bereits zum Aufbau der dafür notwendigen Datenbasis sind schon KI-Methoden erforderlich. Diese neuen Methoden werden beispielhaft am Fallbeispiel der Erkennung von ungeschützten Verkehrsteilnehmern (zum Beispiel Fußgänger) erprobt.

Die Forscherinnen und Forscher des Fachbereichs Intelligente Eingebettete Systeme (Prof. Dr. Bernhard Sick) leiten im Verbundprojekt „KI Data Tooling“  gemeinsam mit BMW das Teilprojekt „Qualitätsanforderungen und Effizienzpotenziale der Datengenerierung und -bereitstellung“ und sind zudem hauptverantwortlich für die Bereitstellung von Daten zu sogenannten von Corner Cases. Bei Corner Cases handelt es sich um selten, aber oft kritische Stituationen im Straßenverkehr. Darüber hinaus ist die Universität Kassel federführend bei Automatisierung des Datenveredelung (Annotation mit zusätzlichen Informationen) unter Verwendung von Methoden des aktiven Lernens.

Das DeCoInt2 Projekt (Detecting Intention of Vulnerable Road Users based on Collective Intelligence as a Basis for Aumated Driving) verfolgt das Ziel, die Absicht ungeschützter Verkehrsteilnehmer im Verkehr mit  automatisierten Fahrzeugen zu erkennen, wobei kooperative Technologien eingesetzt werden sollen. Individuelle Mobilität wird auch im zukünftigen Verkehr eine wichtige Rolle spielen. Automatisiertes Fahren wird dabei eine Schlüsselrolle einnehmen. Es hat das Potential, die Verkehrssicherheit und den Verkehrsfluss zu erhöhen und die Umweltverschmutzung sowie den Ressourcenverbrauch zu senken. Besonders im städtischen Umfeld werden ungeschützte Verkehrsteilnehmer wie Fußgänger und Fahrradfahrer nach wie vor eine wichtige Rolle im gemischten Verkehr der Zukunft einnehmen. Um einen unfallfreien und hocheffizienten Verkehrsfluss mit automatisierten Fahrzeugen zu erreichen, ist es nicht nur wichtig, die ungeschützten Verkehrsteilnehmer wahrzunehmen. Mindestens genauso bedeutend ist es, deren Absichten zu erkennen und zu analysieren, wie das menschliche Fahrer auch machen, wenn sie das Verhalten ungeschützter Verkehrsteilnehmer vorausschätzen.  Eine zuverlässige und robuste Wahrnehmung ungeschützter Verkehrsteilnehmer und deren Absichten in Echtzeit mit einem multi-modalen Sensorsystem, z. B. mit Videokameras, Laserscannern, Beschleunigungssensoren und Gyroskopen in mobilen Endgeräten, ist eine immense Herausforderung. Im Projekt wird weit über bestehende Arbeit hinausgegangen und einem ganzheitlichen, kooperativen Ansatz gefolgt, um Bewegungen von Personen (z. B.: wann startet ein stehender Fahrradfahrer?) und deren Trajektorien (z. B.: wird die Person links abbiegen?) zu prädizieren. Heterogene, offene Mengen von Agenten (zusammenarbeitende, interagierende Fahrzeuge, Infrastruktur und ungeschützte Verkehrsteilnehmer, die ein mobiles Endgerät mitführen) tauschen Informationen aus, um individuelle Modelle der Umgebung zu erstellen. Diese erlauben eine genaue Vorhersage von grundlegenden Bewegungen und Trajektorien ungeschützter Verkehrsteilnehmer. Verdeckungen, Implausibilitäten und Inkonsistenzen werden durch die kollektive Intelligenz kooperierender Agenten aufgelöst. Innovative Methoden werden entwickelt, indem neue Signalverarbeitungs- und Modellierungstechniken mit lernbasierten Ansätzen der Mustererkennung kombiniert werden. Die Kooperation der Agenten wird auf mehreren Ebenen, wie der Wahrnehmung, der erkannten Trajektorien und der bereits detektierten Absichten, untersucht. Daraus resultierend wird eine Kommunikationsstrategie vorgeschlagen, um die erforderlichen Informationen in einem ad hoc Netzwerk kooperierender Agenten auszutauschen. Die Techniken werden an realen Daten evaluiert, wobei ein Forschungsfahrzeug, eine Forschungskreuzung mit öffentlichem Verkehr und mehrere mobile Endgeräte benutzt werden.     

Die Universität Kassel ist gemeinsam mit dem Unternehmen FLAVIA IT-Management GmbH und weiteren assoziierten Partnern aus Wissenschaft und Wirtschaft an dem Verbundprojekt SALM beteiligt. Das Bundesministerium für Bildung und Forschung (BMBF) fördert das Projekt, welches seit Januar 2021 für eine Dauer von zweieinhalb Jahren angelaufen ist.

Durch den aktuellen Hochlauf der Elektromobilität rückt neben der eigentlichen Bereitstellung der elektrischen Energie und der Weiterentwicklung der Elektrofahrzeuge auch der Ausbau der Verteilnetze in den Fokus. Das volatile Lastverhalten der E-Mobilität stellt zusätzliche Anforderungen im Rahmen der aktuellen Bestrebungen im Kontext der Energiewende an eine dezentrale Energieversorgung. Ein gleichzeitiges Laden aller angeschlossenen E-Fahrzeuge mit der Nennleistung führt aufgrund der auftretenden Spitzenlasten zu Überlastung der Infrastruktur und erscheint vor dem Hintergrund der langen Standzeiten der Fahrzeuge unnötig. Aus diesem Grund wird an der Optimierung der Energieverteilung gearbeitet und durch Verschiebung und bewusst gesteuerte Zuschaltung von Ladevorgängen der Lastgang geregelt. Das Ziel ist es, eine hohe Ladedichte unter bestehenden Netzengpässen und der Berücksichtigung einer fluktuierenden Energieerzeugung sowie der Präferenzen der Nutzer bereitzustellen. Mithilfe von diversen Verfahren des Maschinellen Lernens bzw. der Künstlichen Intelligenz soll ein Automatismus entwickelt werden, welcher selbstadaptiv auf die dynamische Entwicklung der E-Mobilität (z.B. betrieblicher Zustand der Infrastruktur, Fahrzeug- oder Batterietechnologie, Veränderung des Nutzungsverhalten, etc.) reagieren kann. Weiterhin sollen durch nachvollziehbare Entscheidungen die Akzeptanz eines Systems bei allen Akteuren erhöht werden.

Dazu gehört u.a. die Erforschung von datengetriebener Modellierung verschiedener Komponenten und Prognoseverfahren. Dabei soll das Ladeverhalten der Infrastuktur anhand von Daten mittels probabilistischer und/oder generativer Verfahren abgebildet und simuliert werden um eine möglichst realitätsnahe Simulation zu konstruieren. Anhand einer solchen Simulation können Methoden des Verstärkenden Lernens (Reinforcement Learning) eingesetzt werden um eine möglichst optimale Ladestrategie zu finden. Unter dem Gesichtspunkt der Akzeptanz sollen Methoden des sog. Explainable AI eingesetzt werden, um Entscheidungen des Systems für menschliche Akteure erklärbar zu machen. Des Weiteren können Verfahren des Transferlernens zum Einsatz kommen, die es ermöglichen, Modell-Wissen aus einer Anwendung zu abstrahieren und auf eine andere Anwendungen zu übertragen.

Mit ihren hohen Pulsenergien und kurzen Pulsdauern haben Freie-Elektronen-Laser das Feld der Röntgenexperimente seit über 15 Jahren revolutioniert. Die Erzeugung ultrakurzer Röntgenpulse basiert auf dem Prinzip der selbstverstärkten spontanen Emission. Die dabei entstehenden inhärent zufälligen Röntgenpulsformen setzen den Untersuchungen jedoch experimentelle Grenzen in Bezug auf Zeitauflösung und für intensitätsabhängige Messungen. Im Rahmen des vorangehenden BMBF-Projektes SpeAR_XFEL haben die Projektpartner ein neues Spektrometer mit Winkelauflösung gebaut, mit dessen Hilfe einzelne Röntgenpulse an Freie-Elektronen-Lasern mit Attosekunden-Genauigkeit charakterisiert werden können. Diese Technik des Angular Streaking soll in dem BMBF-Projekt TRANSALP von der Freie-Elektronen-Pulscharakterisierung zu einem vielseitig einsetzbaren Instrument für die ultraschnelle Röntgenforschung weiter entwickelt werden.

Eine breite wissenschaftliche Gemeinschaft, die von Physikern über Materialwissenschafter bis hin zu Biologen und Medizinern reicht, hat Freie-Elektronen-Laser mittlerweile als Forschungswerkzeug entdeckt. Viele der interessantesten Fragestellungen beziehen sich auf biologisch relevante Vorgänge wie ultraschnelle Reaktionswege photochemischer Prozesse in organischen Molekülen, die Rolle von Ionisationsdynamiken bei Beschädigung der DNS oder die elektronische Anregung von Strukturänderungen in Bioproteinen. TRANSALP wird die in SpeAR_XFEL entwickelte Apperatur mit einem LiquidJet kombinieren, um ultraschnelle, photoinduzierte Abläufe an biologischen Proben in der flüssigen Phase verfolgen zu können. In Verbindung mit einem dedizierten Lasersystem, das spezifisch auf die Bedürfnisse für Angular Streaking abgestimmt ist, und neu entwickelten Algorithmen des Maschinellen Lernens (ML) zur Online-Analyse und Fehlerkorrektur soll am Free-electron LASer in Hamburg (FLASH) der Prototyp eines einzigartigen Instruments für zeit- & winkelaufgelöste in situ-Elektronenspektroskopie an organischen Molekülen in der flüssigen Phase entstehen.

Die Aufgaben des Fachgebiets Intelligente Eingebettete Systeme im Kontext dieses Projektes sind:

• Weiterentwicklung und Anpassung von bereits vorhandenen Online-Pulscharakteristikbestimmungsalgorithmen auf die neuen Daten.
• Entwicklung und Bewertung neuer ML-Techniken für den Umgang mit den eingehenden Big Data bei FLASH
• Entwurf und Implementierung neuer ML-Algorithmen für verbessertes, wissenschaftliches Experimentieren

Kooperationspartner in dem Projekt sind:

• TU Dortmund, Zentrum für Synchrotronstrahlung (DELTA)
• Universität Kassel, Institut für Physik und CINSaT
• Deutsches Elektronen-Synchrotron DESY
• European X-Ray Free-Electron Laser Facility GmbH

Grundsätzlich ist die Projektplanung von Windparks sehr aufwendig. Es müssen Verträglichkeitsprüfungen in Bezug auf den Naturschutz, insbesondere für die Artengruppen Vögel und Fledermäuse, durchgeführt werden. In diesem Vorhaben wird ein KI-gestütztes System zur automatisierten Detektion von windkraft-sensiblen und gefährdeten Arten entwickelt, welches die Genehmigungspraxis und somit den Ausbau von Windenergieanlagen deutlich beschleunigt. Ausgehend von einer automatisierten Erkennung und Klassifizierung anhand von Audiosignalen mittels Techniken vor allem des Deep Learnings (speziell Contrastive Learning, Few-Shot Learning), erfolgt eine zeitliche/räumliche Erfassung des Vorkommens. Nutzerinnen und Nutzer sollen zudem eine durch Techniken der Explainable AI erklärbare und interaktive Schnittstelle bekommen, welche eine Bewertung der Verträglichkeit umsetzt.

Um das immer komplexer werdende Energiesystem (Energiegewinnung, -speicherung, -nutzung und-transport) weiter beherrschen und optimieren zu können, sind automatisierte und intelligente Lösungen notwendig. Klassische Optimierungsverfahren sind meist für die Nutzung im Echtzeitbetrieb nicht geeignet, da sie keine verwertbare Lösung in angemessener Rechenzeit erzeugen. Bereits existierende regelbasierte Systeme, die heutzutage in der Energiewirtschaft zur Automatisierung eingesetzt werden, sind jedoch nicht imstande, schnell auf neue Situationen zu reagieren und sich selbstständig auf die neuen Gegebenheiten zu optimieren. Probleme, die dadurch innerhalb des Energiesystems auftreten können, reichen von teuren Ausgleichsmaßnahmen bis hin zu kompletten Stromausfällen. Diese Herausforderung greift das Projekt RL4CES auf und untersucht die Potentiale von intelligenten Algorithmen, sich selbständig an neue Situationen optimal anzupassen. Dazu wird speziell an der Methode des Deep Reinforcement Learning (DRL) geforscht und das Ziel verfolgt, DRL zur Entscheidungsunterstützung und Prozessautomatisierung in die industrielle Anwendung zu integrieren. Um DRL in der Energiewirtschaft erfolgreich einsetzen zu können, werden im Projekt Methoden entwickelt, die den Einsatz von DRL sicherer, effektiver, erklärbar und kostengünstig machen. Um die Anwendung der entwickelten Methoden in der Praxis zu demonstrieren, werden die zwei Anwendungsfälle Automatisierte Netzsteuerung und Automatisierter Energiehandel betrachtet.

Die Universität Kassel ist am gemeinsamen Projekt "AI for REAL-world NETwork operation (AI4REALNET)" beteiligt, zusammen mit 15 weiteren Partnern aus Wissenschaft und Industrie. Das Projekt wird im Rahmen des Horizon Europe Framework Programme (HORIZON) finanziert und erhält insgesamt fast 4 Millionen Euro für eine Laufzeit von 3,5 Jahren ab Oktober 2023.

Der Umfang von AI4REALNET umfasst die Perspektive von KI-basierten Lösungen für kritische Systeme (Stromversorgung, Eisenbahn- und Flugverkehrsmanagement), die durch Netzwerke modelliert sind, simuliert werden können und traditionell von Menschen betrieben werden, wobei KI-Systeme die menschlichen Fähigkeiten ergänzen und erweitern.

Das Ziel ist die Entwicklung der nächsten Generation von Entscheidungsmethoden, die von überwachtem und verstärktem Lernen angetrieben werden und auf Vertrauenswürdigkeit bei der KI-unterstützten menschlichen Steuerung mit erweiterter kognitiver Leistungsfähigkeit, hybrider menschlicher Co-Lernfähigkeit und autonomer KI abzielen, wobei die Widerstandsfähigkeit und Sicherheit kritischer Infrastrukturen als Kernanforderungen gelten. Darüber hinaus zielt AI4REALNET darauf ab, die Entwicklung und Validierung neuartiger KI-Algorithmen durch das Konsortium und die KI-Gemeinschaft zu fördern, durch bestehende Open-Source-Digitalumgebungen, die in der Lage sind, realistische Szenarien des Betriebs physischer Systeme und menschlicher Entscheidungsfindung nachzubilden.

Die zentralen Komponenten umfassen KI-Algorithmen, die hauptsächlich aus überwachtem und verstärktem Lernen bestehen und kombinieren die Vorteile bestehender Heuristiken, physikalischer Modellierung komplexer Systeme und Lernmethoden. Diese werden von einer Reihe ergänzender Methoden begleitet, die darauf abzielen, Transparenz, Sicherheit, Erklärbarkeit und die Akzeptanz durch Menschen zu verbessern. Darüber hinaus liegt ein Schwerpunkt auf der Entscheidungsfindung mit menschlicher Beteiligung, um das gemeinsame Lernen zwischen KI-Systemen und Menschen zu erleichtern. Dies beinhaltet die Integration von Überlegungen wie Modellunsicherheit, menschliche kognitive Belastung und Vertrauen. Schließlich sind autonome KI-Systeme integriert, die auf menschlicher Aufsicht beruhen und mit menschlichem Fachwissen und Sicherheitsregeln angereichert sind.

Das AI4REALNET-Framework wird in 6 Anwendungsfällen validiert, die von industriebedingten Anforderungen getrieben werden und sich auf 3 Netzwerkinfrastrukturen mit gemeinsamen Eigenschaften konzentrieren. Die Anwendungsfälle konzentrieren sich auf kritische Herausforderungen und Aufgaben von Netzwerkbetreibern, unter Berücksichtigung strategischer langfristiger Ziele wie Dekarbonisierung, Digitalisierung und Widerstandsfähigkeit gegenüber Störungen, und sind als einheitliches sequenzielles Entscheidungsproblem formuliert, bei dem viele KI- und Nicht-KI-Algorithmen angewendet und benchmarked werden können.

Name: Künstliche Intelligenz zur Fremdkörperdetektion in befüllten Getränkeflaschen

Abkürzung: KI4FKD

Projektträger/Förderer: WIBank / Hessische Staatskanzlei im Bereich der Ministerin für Digitale Strategie und Entwicklung

Projektzeitraum/Startdatum: 01.06.2023 - 31.05.2026

Bei dem Forschungsprojekt Künstliche Intelligenz zur Fremdkörperdetektion in befüllten Getränkeflaschen (KI4FKD) handelt es sich um ein Verbundvorhaben zwischen dem Fachgebiet Intelligente Eingebettete Systeme (IES) der Universität Kassel und der miho Inspektionssysteme GmbH aus Ahnatal bei Kassel. Dieses Projekt wird von der WIBank unter dem Distr@l Förderprogramm der hessischen Staatskanzlei im Bereich der Ministerin für Digitale Strategie und Entwicklung gefördert.

Ziel des Projektes ist die Entwicklung einer Inline-Fremdkörperdetektion auf Basis Künstlicher Intelligenz (KI). Fokus ist auch die Interaktion zwischen Mensch und KI für eine hohe Bedienerfreundlichkeit und zur kontinuierlichen Verbesserung.

Projektpartner:

• Universität Kassel - Intelligente Eingebettete Systeme IES
• miho Inspektionssysteme GmbH

Name: Graph Neural Networks for Grid Gontrol

Abkürzung: GNN4GC

Projektträger/Förderer: Bundesministerium für Wirtschaft und Klimaschutz (BMWK)

Projektzeitraum/Startdatum: 01.12.2023

Die zunehmende Elektrifizierung und die Herausforderungen der Energiewende stellen die Übertragungsnetzbetreiber vor komplexe Aufgaben. GNN4GC, ein gemeinsames Projekt von Forschungseinrichtungen (Fraunhofer IEE und Universität Kassel) und drei Übertragungsnetzbetreibern (TenneT TSO GmbH, 50Hertz, TenneT TSO BV), setzt hier an. Ziel ist es, den Netzbetrieb durch den Einsatz von Künstlicher Intelligenz, insbesondere Graph Neural Networks (GNNs) und Deep Reinforcement Learning (DRL), zu optimieren. Übertragungsnetze sind das Rückgrat der Energieverteilung, aber die Integration erneuerbarer Energien, dezentraler Erzeugung und die zunehmende Elektrifizierung machen den Betrieb komplexer und führen zu Engpässen im Netz. Die Herausforderungen können durch notwendige Instandhaltungsmaßnahmen im Netz verschärft werden. Um diese zu beheben, weisen die Netzbetreiber Erzeugungsanlagen an, ihre Leistung zu erhöhen oder zu verringern. Eine kostengünstige Alternative ist die Änderung der Netztopologie während des Netzbetriebs, um den Leistungsfluss im Netz zu verändern. Da der Netzbetreiber dies selbst durchführen kann und die Kosten sehr gering sind, weisen solche topologischen Maßnahmen ein hohes Potenzial auf. Sie wird allerdings bisher kaum genutzt, da die Vielzahl der Schaltungsmöglichkeiten für den Menschen schwer zu überblicken ist. KI-Methoden, insbesondere Graph Neural Networks (GNNs), bieten hier eine Lösung. Im Rahmen von GNN4GC werden GNNs im Hinblick auf die Optimierung von Stromnetzen untersucht, da sie speziell für Netzstrukturen geeignet sind. In einem ersten Schritt werden GNN-Modelle zur Beschleunigung von Netzberechnungen zur Approximation von Lastflussberechnungen entwickelt. Damit kann eine große Anzahl möglicher Topologieaktionen für einzelne Netzzustände schnell getestet werden, um effektive Strategien für die Netzbetriebsführung zu finden. Das zweite Kernziel von GNN4GC ist die Kombination von GNNs mit DRL, um selbstlernende Agenten für die Netzsteuerung zu entwickeln. Diese lernen Netzbetriebsführungsstrategien durch Interaktion mit dem Stromnetz. Um die Agenten für den realen Betrieb nutzbar zu machen, werden die entwickelten Agenten in realen Anwendungsfällen in kontinuierlicher Abstimmung mit den Netzbetreibern evaluiert. Darüber hinaus sollen Human-in-the-Loop und Explainable AI (XAI) eine optimale Anpassung und Nachvollziehbarkeit der Entscheidungsprozesse der Agenten gewährleisten. Das Projekt strebt eine enge Zusammenarbeit zwischen Forschung und Industrie an, um die Anforderungen des realen Betriebs zu berücksichtigen und mit praxistauglichen Methoden einen Beitrag zur Energiewende zu leisten.

 

Projektpartner:

• Universität Kassel (Forschungsgruppen: GAIN, RL4CES, e2n)
• Fraunhofer IEE
• TenneT TSO GmbH
• 50Hertz
• TenneT TSO BV

Name: Optimierung der Kalibrierungs- und Qualitätssicherungsprozesse von ortsaufgelösten Reflexionsspektrometern anhand von Künstlicher Intelligenz

Abkürzung: OptiKalKI

Projektträger/Förderer: WIBank / Hessische Staatskanzlei im Bereich der Ministerin für Digitale Strategie und Entwicklung

Projektzeitraum: 01.06.2023 - 28.05.2026

Bei dem Forschungsprojekt Optimierung der Kalibrierungs- und Qualitätssicherungsprozesse von ortsaufgelösten Reflexionsspektrometern anhand von Künstlicher Intelligenz (OptiKalKI) handelt es sich um ein Verbundsvorhaben zwischen dem Fachgebiet Intelligente Eingebettete Systeme (IES) der Universität Kassel und der Biozoom Services GmbH aus Kassel. Dieses Projekt wird von der WIBank unter dem Distr@l Förderprogramm, der hessischen Staatskanzlei im Bereich der Ministerin für Digitale Strategie und Entwicklung, gefördert.

Die Biozoom Services GmbH hat vor einigen Jahren eine neuartige Sensortechnologie entwickelt. Diese erlaubt es, mit optischen Verfahren der multiplen ortsaufgelösten Reflexionsprektroskopie (MSRRS-Verfahren) chemische Konzentrationen bestimmter Substanzen wie z.B. Carotinoide im Blut und menschlichen Gewebe zu messen, ohne dazu Blutproben nehmen zu müssen.

Ziel des Vorhabens ist eine innovative, auf Digitalisierung beruhende Optimierung des Produktionsprozesses, insbesondere der eng miteinander zusammenhängenden Kalibrierungs- und Qualitätssicherungsprozesse, die einen signifikanten Einfluss auf den gesamten Produktionsprozess haben. Dabei werden Daten aus spezifischen Tests und aus der Nutzungsphase der Sensoren verwendet, um die Qualitätssicherungsprozesse, eine Gut/Schlecht-Entscheidung bzgl. Sensorqualität, präziser und mit weniger Arbeitsaufwand durchführen zu können. Ein weiteres Ziel ist die Verbesserung der Kalibrierung der Sensoren. Unter Kalibrierung wird dabei eine algorithmische Korrektur von Messwerten verstanden, so dass z.B. Fertigungstoleranzen kompensiert werden. Damit kann der Sensor genauer werden, was zu einer Erweiterung des Anwendungsspektrums führt.

Projektpartner:

• Universität Kassel - Intelligente Eingebettete Systeme IES
• Biozoom Services GmbH

Name: LongLife 
Abkürzung: Kosteneffiziente Zuverlässigkeit von PV-Kraftwerken und Wechselrichtertechnik
Projektträger/Förderer: Bundesministerium für Wirtschaft und Klimaschutz (BMWK)
Projektzeitraum/Startdatum: 01.07.2023

Das LongLife-Projekt, eine gemeinschaftliche Initiative, die auf vorherigen Forschungen zu Digital Twin-Lösungen und Reliability Design in der Solar-Wechselrichtertechnik aufbaut, hat zum Ziel, das Verständnis von Fehlern und Alterungsprozessen zu vertiefen. Das Projekt strebt danach, Analysemethoden, Tests und Vorhersagetechniken zu verbessern und damit zu kosteneffizienten und auf Zuverlässigkeit ausgerichteten Entwicklungs- und Qualifikationsmethodologien beizutragen. In Zusammenarbeit mit Herstellern von Stromrichtertechnik, Halbleiterbauelementen und Batteriesystemen sowie Forschungspartnern in Zuverlässigkeit, Datenwissenschaften und Photovoltaik betont das Projekt drei Kernbereiche. Dazu gehören Bemühungen zur Steigerung der Wirtschaftlichkeit durch beschleunigte Alterungs- und Zuverlässigkeitstests, zur Reduzierung von Testaufwänden für Komponenten und Geräte unter verschiedenen Bedingungen sowie zur Entwicklung praktischer Online-Condition-Monitoring- und Predictive-Maintenance-Lösungen für den Betrieb von PV-Kraftwerken. Darüber hinaus konzentriert sich LongLife darauf, Zuverlässigkeits- und Lebensdauervorhersagemodelle zu verbessern und zu evaluieren, insbesondere für längere Zeiträume und neue Generationen von Leistungselektronikkomponenten. Diese Kernbereiche bilden den gemeinsamen Fokus des Projekts, wobei die generierten Erkenntnisse und Lösungen von Industriepartnern in zukünftigen Produktentwicklungen und Serienproduktionen eingesetzt werden sollen. Dieser gemeinsame Einsatz zielt darauf ab, die Wirtschaftlichkeit, Zuverlässigkeit und Nachhaltigkeit von Solar- und Speicherkraftwerken zu verbessern. Wissenschaftspartner werden das Wissen durch Veröffentlichungen verbreiten, um weitere Forschung zu fördern und zur Ausbildung in Informatik und Ingenieurwissenschaften beizutragen. Die erwartete breite Wirkung der Projektergebnisse, geteilt von wissenschaftlichen Partnern, erstreckt sich über die unmittelbare Projektumgebung hinaus auf andere Branchen und Anwendungsbereiche.

Projektpartner:

• Universität Kassel - Intelligente Eingebettete Systeme (IES)
• SMA
• Tesvolt
• Semikron
• Universität Stuttgart - Institut für Maschinenelemente (IMA)
• Institut für Solarenergieforschung GmbH Hameln (ISFH)

Name: Kontinuierlich selbstlernende Vorhersagemethoden und Services in smarten Energiemärkten und -netzen
Abkürzung: KonSEnz
Projektträger/Förderer: Bundesministerium für Wirtschaft und Klimaschutz (BMWK)
Projektzeitraum/Startdatum: 01.08.2024–31.07.2027

Ziel dieses dreijährigen Projektes ist es, Methoden des kontinuierlichen, adaptiven Lernens sowie des „Machine-Learning in Operation“ zu kombinieren, um den wachsenden Anforderungen eines hochgradig datengetriebenen Energiesystems hinsichtlich Automatisierung, Skalierung und Resilienz im Betrieb gerecht zu werden. Für die intelligente Nutzung von Flexibilitäten durch neue Verbraucher, Erzeuger und Speicher steigen die Anforderungen an die operative Planung und somit an die Vorhersagbarkeit von immer mehr Komponenten und Akteuren im Energiesystem. Gleichzeitig erfordert die hohe Dynamik im System eine ständige Anpassung und Erweiterung von Planungs- und Prognosemodellen in Echtzeit. Die damit verbundenen Prozesse wie Modelltrainingsdurchgänge und -evaluationen müssen daher zwangsläufig durch hochgradig autonom arbeitende, rechnergestützte Verfahren zuverlässig und sicher übernommen werden. Das Teilprojekt der Universität Kassel fokussiert sich auf die Entwicklung von Algorithmen und Modellen mit Hilfe von Methoden des maschinellen Lernens bzw. der Künstlichen Intelligenz. Schwerpunkte sind dabei Methoden des Transfer Learning und des Representation Learning zur erleichterten Wiederverwendung von erlerntem Wissen, Methoden der Selbst-Überwachung und der Self-Awareness in technischen Systemen, um den Bedarf der Modelladaption (z.B. für Prognosemodelle) durch das lernende System selbst festzustellen, sowie Methoden des kontinuierlichen Lernens im Hinblick auf eine Selbst-Reflexion, damit sich das lernende System an neue Gegebenheiten (z.B. neue Anlagen) anpassen und die erforderliche Performanz garantieren kann. Projektergebnis sind Implementierungen entsprechender Algorithmen und Modelle, die im Verbund mit Projektpartnern anhand von Use Cases für Windleistungsprognosen, Photovoltaikprognosen sowie Prognosen von vertikalen Leistungsflüssen an Transformatoren untersucht werden.

Projektpartner:

• Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik (Fraunhofer IEE)
• Amprion GmbH
• SOPTIM AG
• WRD Wobben Research and Development GmbH (ENERCON)
• TenneT TSO GmbH
• 50Hertz Transmission GmbH

Die Nachwuchsforschungsgruppe 'GAIN - Graphs in Artificial intelligence and Neural Networks' beschäftigt sich mit Graph Neuronalen Netzen (GNNs), speziell ihrer Dynamik und Erklärbarkeit. GNNs sind einer der jüngsten und am schnellsten wachsenden Bereiche des Maschinellen Lernen und streben an, den Erfolg des Deep Learnings auf Daten, welche in Form von Graphen vorliegen, auszuweiten.

Aktuell liegt unser Schwerpunkt auf der Dynamik und der Erklärbarkeit von GNN-Modellen. Mit dynamischen GNN-Modellen sind solche gemeint, die mit veränderlichen Topologien von Graphen, sowie sich verändernden Graph-Attributen umgehen können. Im einfachsten Fall könnten das neu auftauchende Knoten oder Kanten, oder eine Veränderung in den Knoten-Attributen sein. Gleichzeitig möchten wir, dass unsere Algorithmen erklärbar sind, also ein Modell entweder inherent oder nachträglich (post-hoc) einen Grund für seine Vorhersage angeben kann.

Diese Schwerpunkte haben wir gewählt, da wir trotz unserem Fokus auf algorithmischer Grundlagenforschung unsere Algorithmen mit bedacht auf Anwendungsfälle u.a. im Bereich erneuerbarer Energien entwickeln wollen. Partner in diesem Projekt ist daher das Fraunhofer Institut für Energiewirtchaft und Energiesysteme (IEE). Die Steigerung der Dynamik von GNNs wird den Einsatz von GNN-basierten Methoden in Versorgungsstrukturnetzen ermöglichen und somit zur Stärkung der Nutzung erneuerbarer Energien beitragen. Außerdem wird die Erklärbarkeit ihre Nutzbarkeit und Anwendbarkeit erhöhen.

Die Universität Kassel ist mit 5 weiteren Partnern aus Wissenschaft und Wirtschaft an dem Verbundprojekt Digital-Twin-Solar beteiligt. Das Bundesministerium für Wirtschaft und Energie (BMWi) fördert das Projekt, welches seit Mai 2020 für eine Dauer von drei Jahren angelaufen und am 30. Juni 2024 abgeschlossen ist.

Die zukünftige Vernetzung der Komponenten des Energiesystems erlaubt eine umfängliche Datenerfassung. Im Rahmen der Digitalisierung lässt sich mit den dort erfassten Daten digitale Zwillinge von Anlagen und Systemen bilden. Damit können diese Anlagen und Systeme einer Optimierung unter Verwendung von Maschinellem Lernen (ML) zugänglich gemacht werden. Das Projekt Digital Twin Solar befasst sich mit speziell auf die Solarenergienutzung und Stromspeichersysteme zugeschnittenen Lösungen. Überordnetes Ziel des Teilvorhabens des Universität Kassel / Fachgebiet IES ist die Erschließung des Potentials der aktuellsten Methoden des ML bzw. der Künstlichen Intelligenz (KI), um die Komponenten Digitaler Zwillinge (digital twin) im Bereich der Anomalieerkennung für einen PV- und Batterie Wechselrichter zu konstruieren und zeitgleich der auftretende Zeitpunkt der Anomalie vorherzusagen.

Dazu gehört u.a. die Erforschung des Potentials von probabilistischen Prognosen, Transfer Learning, Active Learning, Explainable AI, Generative Adversarial Networks und Autoencodern sowie ihre Weiterentwicklung bzw. Adaption im Hinblick auf die Ziele des Projekts.

In fast allen Bereichen der Energiewende spielen die Digitalisierung sowie der gezielte Austausch und die Nutzung von Informationen eine eminent wichtige Rolle, um etablierte, aber auch neue Prozesse innerhalb einer sich verändernden Energielandschaft gezielt verbessern zu können. Der stetig fortschreitende Ausbau erneuerbarer Energien, die damit einhergehenden Maßnahmen und Geschäftsmodelle zur Flexibilisierung von Erzeugung und Verbrauch sowie die wachsende Anzahl von Komponenten und Stakeholdern innerhalb des Energiesystems führen zu einer enormen Steigerung der Komplexität und Rechenkapazität im Hinblick auf die Modellierung und Berechnung von Systemzuständen. Für etablierte Prozesse und Systemkomponenten liegen meist genügend Informationen vor, um diese geeignet modellieren zu können. Verfahren der künstlichen Intelligenz (KI) haben sich für die Modellierung schon vielmals bewährt, solange ausreichend Informationen in Form von historischen Mess- und Prozessdaten zur Verfügung stehen. Die neue Herausforderung dieses Projektes ist es, die Idee des maschinellen Wissenstransfers ähnlicher Systeme und Systemzustände flexibel für den Betrieb von neuen oder sich verändernden technischen Infrastrukturen innerhalb des Stromversorgungssystems zu nutzen, um robuste Zustandsbestimmungen und Prognosen für neue und sich verändernde Systemkomponenten zuverlässig und ohne großen Rechenaufwand erstellen zu können. Der Umgang mit fehlenden und sich ändernden Datengrundlagen wird hierbei einen Schwerpunkt bilden. Im Mittelpunkt zur Problemlösung steht die Schaffung von allgemeingültigen Modellen des Transfer Learning zum automatisierten Wissenstransfer zwischen einzelnen Systemkomponenten. Die Modelle werden vorab geschätzte und im Laufe des Betriebs überprüfte Ähnlichkeiten zwischen Systemkomponenten erkennen und nutzen, um zuverlässige und nachvollziehbare Lösungen z. B. für Prognosen zu generieren. Die entwickelten Modelle werden gemeinsam mit den Partnern aus der Wissenschaft und Wirtschaft anhand realer Use-Cases und Datensätze aus dem energie-wirtschaftlichen Themenfeld erprobt und innerhalb anwendungsnaher Prototypen demonstriert.

Moderne Prüfstände für die experimentelle Validierung liefern extrem große, meist zeitbasierte und in der Regel heterogene Datenmengen, deren Verarbeitung und vor allem deren Auswertung mit konventionellen wissensbasierten Methoden allumfassend kaum oder, aufgrund der Größe und Komplexität, gar nicht möglich sind. Im Besonderen noch nicht bekannte Zusammenhänge und Fehlermodelle entziehen sich so der Analyse. Für den Einsatz von KI-Methoden, z. B. aus dem Bereich des Deep Learning, bietet sich hier eine außerordentlich interessante, noch wenig erforschte und vor allem zukunftsrelevante Anwendung.

An der Universität Kassel ist seit kurzem ein neuartiger, hochperformanter Prüfstand für elektrische Antriebsmaschinen im Einsatz, welcher mit umfangreicher Messtechnik sehr große heterogene Datenmengen sowohl zeitbasierter elektromagnetischer, elektrischer, akustischer, mechanischer und thermischer Größen, wie auch nicht-zeitbasierter, charakterisierender oder parametrischer Daten generiert und zudem Messungen in bisher wenig erforschten Grenzbereichen erlaubt.

Das BMBF-Verbundprojekt AIMEE adressiert die Verarbeitung und Auswertung von heterogenen, hochvolumigen Datensätzen aus dem Prüfstand, um anhand von praktischen Beispielen im KI-Labor die Anwendbarkeit innovativer Methoden für die Studierenden direkt erfahrbar und interpretierbar zu machen. Damit wird für die Lernenden (Studierende, DoktorandInnen und Berufstätige in Weiterbildungsmaßnahmen) die notwendige Voraussetzung geschaffen, anhand von praktischen Beispielen die unterschiedlichen KI-Methoden mit umfangreichen und definierten Datensätzen zu studieren und anzuwenden.  Zudem eröffnet sich die für Lehre und Forschung hochinteressante und seltene Möglichkeit, neue Datensätze nach Belieben zu erstellen und die Randbedingungen der Datenerstellung, also der Messläufe und -Struktur, den Erfordernissen der KI-Methoden und -Methodenentwicklung anzupassen. Die enge Zusammenarbeit von Software, Hardware und Anwendung ergeben eine exzellente Basis für die Lehre, sind für die regionale Wirtschaft von großem Interesse und besitzen eine hohe wissenschaftliche Anschlussfähigkeit.

Freie-Elektronen-Laser mit Röntgenstrahlung erzeugen Laserpulse nach dem Prinzip der Selbstverstärkung der spontanen Emission. Dies ermöglicht eine kontinuierliche Anpassung der Röntgenstrahlungswellenlänge und führt zur Emission eines Strangs von ultrakurzen, genauer gesagt einigen hundert Femtosekunden langen, Spikes. Das Prinzip der Selbstverstärkung der spontanen Emission hat jedoch einige Nachteile, die überwunden werden müssen, um genau definierte Messungen zu untersuchen, die auf der genauen Kenntnis des Aktivierungssignals basieren. Nur wenn Parameter wie stochastisch variierende Schussintensitäten, Abstände, Dauern sowie Photonenenergien bekannt sind, kann das Potenzial ultraschneller und nichtlinearer Messungen voll ausgeschöpft werden. Um Kenntnisse über die zugrunde liegenden Parameter zu erlangen, müssen die zeitlichen und spektralen Charakteristiken von Röntgenpulsen mit Hilfe von Echtzeit-Analyseverfahren untersucht werden.

Um die geforderten Charakteristiken zu erhalten, ist das Hauptziel des Projektes SpeAR_XFEL die Entwicklung und Konstruktion eines neuartigen, winkelaufgelösten Elektronen-Multi-Flugzeit-Spektrometers mit individuell variabler Verzögerungsspannung und hoher Energieauflösung für die röntgen- und röntgengetriggerte Ultraschallmessung. Zu diesem Zweck müssen geeignete Online-Analyseverfahren auf Basis von maschinellen Lernmethoden entwickelt werden.

Die Aufgaben des Fachgebiets Intelligente Eingebettete Systeme im Kontext dieses Projektes sind:

• Entwicklung geeigneter Analysetechniken zur Bewältigung der großen Menge an Messdaten.
• Betrachtung von Korrelationen einzelner Datensätze der winkelabhängigen Detektion und damit Herausfiltern der allgemeinen Informationen, unter anderem mit Hilfe von maschinellen Lernverfahren, aus dem Experiment.
• Dies soll zu einer Implementierung eines Online-Röntgencharakterisierungstools führen, das auf Deep-Learning-Methoden basiert.

Kooperationspartner in dem Projekt sind:

• TU Dortmund, Zentrum für Synchrotronstrahlung (DELTA)
• Universität Kassel, Institut für Physik und CINSaT
• European X-Ray Free-Electron Laser Facility GmbH
• Helmholtz Zentrum Berlin, BESSY II

Im Projekt OCTIKT wurde ein generisches Framework und Vorgehensmodell zur Erfassung, Verbesserung und Sicherung von Resilienz in dynamischen, dezentralen Systemen entwickelt. Die Entwicklungen werden in einem konkreten Anwendungsfall, einem Stromverteilnetz, exemplarisch umgesetzt und evaluiert.

Das Fachgebiet IES ist in erster Linie in der Entwicklung von OC-basierten Technologien für die Umsetzung von Resilienz involviert. Dazu zählt die Erforschung von Grundlagen Techniken, z.B. Novelty und Anomaly Erkennung in Datenströmen fur die Umsetzung von Self-Awareness Fähigkeiten in industriellen (Cyber-Physikalischen) Systemen um konkrete Implementierung bereitzustellen (Stichpunkte: Digitaler-Zwilling).

Das Gemeinschaftsprojekt wurde vom Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Förderprogramms „IKT 2020 — Forschung für Innovationen“ gefördert, das Projekt wurde gemeinsam mit den folgenden Projektpartnern durchgeführt:

• Fachgebiet IES, Universität Kassel
• FZI Forschungszentrum Informatik
• Fraunhofer-Institut für Kurzzeitdynamik, Ernst-Mach-Institut, EMI
• evohaus IRQ GmbH
• Netze BW GmbH
• Seven2one Informationssysteme GmbH

https://projekt-octikt.fzi.de/

Das Projekte wurde im Januar 2022 erfolgreich zum Abschluss gebracht.

Die Energiewirtschaft als Leitsektor für Künstliche Intelligenz

Im Rahmen des Projektwettbewerbs Clusters 4 Future wurde das Projekt IC4CES als Finalist für 6 Monate gefördert. Innerhalb des Förderungszeitraums wurde eine Cluster-Strategie entwickelt und mit verschiedenen Partnern aus der Industrie ein Vollantrag vorgelegt, welcher im Juli 2022 einer Jury in Berlin präsentiert wurde. Leider wurde das Cluster IC4CES am Ende leider nicht ausgewählt. Ziel von IC4CES sollte es sein, die Energiewirtschaft zu einem Leitsektor für die Anwendung von Künstlicher Intelligenz werden zu lassen und die Region Nordhessen/Südniedersachsen langfristig stark aufzustellen.

Das Ziel des Projektes Prophesy ist die Simulation von Prognosezeitreihen des in den nächsten Stunden bis hin zu Wochen erwarteten Stroms der Windenergie und Photovoltaik in zukünftigen Stromversorgungssystemen. Die erarbeiteten Methoden werden an das Szenarien-Tool des Fraunhofer IWES angebunden, mit dem Ausbauszenarien des Stromversorgungsystems für die nächsten Jahrzehnte simuliert und analysiert werden können. Da Prognosen in vielen Planungs- und Entscheidungsprozessen bei Netzbetreibern und Marktteilnehmern eine wichtige Rolle spielen, lassen sich erst durch die Berücksichtigung von Prognosen vielen Fragestellungen bezüglich zukünftiger Stromversorgungssysteme mit hoher Genauigkeit beantworten. Diese umfassen u. a. den Regelleistungsbedarf, die Bereitstellung von Systemdienstleistungen, den notwendigen Netzausbau, den optimalen Energiemix zur Reduktion von Ausgleichsenergie, notwendige Netzmaßnahmen, die optimale Speicherdimensionierung oder Marktdesign.

Die in Deutschland angestrebte Reduktion der Treibhausgasemissionen durch starken Ausbau der erneuerbaren Energien und die damit einhergehende Zunahme der Komplexität stellt die Stromnetze in der Zukunft vor große Aufgaben.
 
Viele der Aufgabenstellungen beruhen dabei auf im Kern probabilistische Problemstellungen. Diese können häufig vereinfachend durch deterministische Betrachtungen - Mittelwert und ggf. Worst-Case - angenähert gelöst werden. In wichtigen Aufgabenstellungen muss für belastbare Aussagen aber der probabilistische Problemraum insgesamt untersucht werden. Eine solche Untersuchung des gesamten Problemraums geschieht typischerweise durch eine Monte-Carlo-Simulation. Dieses Verfahren ist aber sehr rechenzeit- und ressourcenaufwändig und bereits bei heutigen Aufgabenstellungen müssen vielfach Vereinfachungen getroffen werden, die die Belastbarkeit der Ergebnisse und insbesondere die Extrapolierbarkeit der Ergebnisse einschränken.
 
Ein typischer Anwendungsfall für solche probabilistische Aufgabenstellungen in der Energiesystemtechnik ist beispielsweise die Netzausbauplanung. Der weitere Umbau der Verteilnetze zu Smart Grids mit mehr volatilen Erzeugern, dezentralen Speichern und intelligenten aktiven Betriebsmitteln im elektrischen Versorgungsnetz führt zu einer zunehmenden Unsicherheit sowohl in der räumlichen Planung (Wo entstehen neue Anlagen?), der Menge (Wie viel neue Anlagen wird es geben?) als auch der zeitlichen Planung (Wie wird die Einspeise- und Nachfrage-Charakteristik der Anlagen im Hinblick auf zeitliche Gradienten, sowie Maximal- und Minimalwerte zukünftig aussehen?). Diese und ähnliche Unsicherheiten müssen jeweils durch Wahrscheinlichkeitsverteilungen modelliert werden, wodurch alle potentiell vorkommenden Szenarien für den Ausbau erneuerbarer Energie entstehen.
 
In der Regel werden dabei aber viele dieser Berechnungen aufgrund gleicher oder doch sehr ähnlicher Eingangsdaten redundant sein. Daher sind neue, effiziente probabilistische Methoden notwendig, um den gesamten Lösungsraum für die Netzausbauplanung abbilden zu können. Daher sollen im Projekt PrIME Methoden für probabilistische Aufgabenstellungen in der Energiesystemtechnik betrachtet und grundlagenorientiert entwickelt werden. Die Methodenentwicklung soll sich exemplarisch an typischen probabilistischen Anwendungsfällen aus der Energiesystemtechnik orientieren, um eine hohe Praxisrelevanz für die Ergebnisse der grundlagenorientierten Forschung sicherzustellen. Solche Methoden bieten dann ein großes Anwendungspotenzial, sowohl in der Netzplanung als auch in der Netzbetriebsführung (bspw. Day-Ahead-Congestion-Forecast, DACF).
 
Als Teil eines Konsortiums bestehend aus Fraunhofer IEE, dem Fachgebiet e²n der Universität Kassel sowie einigen assozierten Netzbetreibern stellt das Fachgebiet Intelligente Eingebette Systeme die Anwendbarkeit sowie Weiterentwicklung der möglichen Methoden sicher. Die entwickelten Methoden werden mit verschiedenen Netzberechnungsarten, wie z. B. Lastflussberechnungen, validiert, bewertet und optimiert.

Mit dem Förderprogramm „Schaufenster intelligente Energie – Digitale Agenda für die Energiewende (SINTEG)“ fördert das Bundeswirtschaftsministerium (BMWi) innovative Technologien und Verfahren sowie die Digitalisierung der Energiewirtschaft, um unter den Bedingungen der steigenden Anteile von Stromerzeugung aus Wind und PV das intelligente Zusammenwirken von Erzeugung, Netzen, Verbrauch und Speicherung zu ermöglichen. Ziel ist es, in fünf großflächigen Modellregionen Deutschlands die Realisierbarkeit einer klimafreundlichen, sicheren und effizienten Stromversorgung zu demonstrieren.
 
C/sells, eines der fünf Schaufenster, hat den Schwerpunkt „Sonne“ und umfasst Demonstrationsbausteine aus Baden-Württemberg, Bayern und Hessen. Im C/sells-Konsortium haben sich rund 50 Partner aus den Bereichen Energiedienste, Netzbetreiber, Komponentenhersteller, Wissenschaft und Wissenstransfer zusammengefunden, um in den Jahren 2017-2020 dezentral verbundene Energiesysteme in diesen drei Bundesländern zu installieren und demonstrieren.
 
Um dem Namen des Projektes gerecht zu werden, sollen zum einen technische Lösungen mit zellulären Strukturen („Cells“) entwickelt werden, zum anderen sollen auf dem Energiemarkt über die Teilnahme an der Energiewende neue wirtschaftliche Chancen eröffnet werden („sells“). Mit Partizipation wird so die Akzeptanz für die Energiewende weiter erhöht und eine Einladung zum Mitmachen ausgesprochen.
 
 
Aufgaben und Ziele

In Hessen arbeiten Projektpartner vor allem an der Konzeption und modellhaften Implementierung eines regionalen Flexibilitätsmarkts. Dieser soll als Prototyp ausgebildet werden und die Systemintegration des leistungsstarken und fluktuierenden Angebots regenerativer Energien auf dezentraler Ebene sicherstellen. Hierbei sollen auf der Angebotsseite netz- und systemdienliche Potentiale von Haushalts-, Gewerbe- und Industriekunden identifiziert und dann für den Einsatz zur Stabilisierung der Netze und des Stromsystems vorbereitet werden. Die Sektorenkopplung spielt hierbei eine wichtige Rolle. Auf der Nachfrageseite sollen in der hessischen Modellregion die notwendigen technischen Voraussetzungen für die Inanspruchnahme dieser Optionen durch einen regionalen Flexibilitätsmarkt geschaffen werden.
 
Die Rolle von IES im Projekt:

Das Fachgebiet Intelligente Eingebettete Systeme ist dabei für die Vorhersage des Stromnetzzustands verantwortlich. Der Stromnetzzustand gibt eine Aussage darüber, ob ein Stromnetz in der Lage ist die Aufgabe der Energieverteilung zu erfüllen. Dies geschieht nach einem Ampelsystem, die einzelnen Ampelphasen zeigen demnach den Stromnetzzustand an. Grün bedeutet dass alles in Ordnung ist, Orange zeigt einen Handlungsbedarf an und Rot weißt darauf hin dass das Stromnetz überlastet ist.  
Typischerweise wird die Bestimmung des Netzzustands mit Hilfe von Lastflussberechnungen gemacht, einem Verfahren welches alle Komponenten in einem Stromnetz nutzt und die Auslastung dieser Komponenten berechnet. Das Fachgebiet IES setzt Deep Learning Methoden ein um das Vorhersagen des Netzzustands zu ermöglichen. Dabei werden Methoden evaluiert die direkt den Netzzustand vorhersagen oder aber auch lediglich die Eingangsgrößen für die Lastflussberechnung vorhersagen.
 
 
[1] www.bdew.de/media/documents/20170210_Konkretisierung-Ampelkonzept-Smart-Grids.pdf
 
Projektpartner  
Folgende hessische Unternehmen und Forschungseinrichtungen beteiligen sich am Projekt:
 
EAM GmbH & Co. KG (mit Tochterunternehmen)
Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE (vier Abteilungen: Strom-Wärme-Systeme, Energiemanagement und Energieeffizienz, Energiewirtschaft und Systemdesign, Betrieb Verteilungsnetze)
Limón GmbH
Ramboll CUBE GmbH
Städtische Werke Netz + Service GmbH
Universität Kassel (drei Fachgebiete: Volkswirtschaftslehre mit Schwerpunkt dezentrale Energiewirtschaft, Intelligente eingebettete Systeme und Kommunikationstechnik)
Projektförderung
Durch das Bundesministerium für Wirtschaft und Energie