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

Der Einsatz von Modellen zur Erstellung und Untersuchung von Szenarien ist ein wesentliches Instrument der Energiesystemanalyse. Fur die Politikberatung ist die Frage nach der Verlasslichkeit von solchen Szenarien von groser Wichtigkeit, da diese mit grosen Unsicherheiten behaftet sein konnen. Diesem Problem wird in UNSEEN begegnet: durch das Abfahren eines sehr grosen Parameterraums sollen weit mehr als 1000 Energieszenarien automatisch generiert, berechnet und ausgewertet werden. Hierzu zahlen insbesondere auch Extremszenarien. Eine wesentliche Herausforderung ist dabei die Senkung von Modellrechenzeiten zur Losung gemischt-ganzzahliger Optimierungsprobleme. Im Vorlauferprojekt BEAM-ME wurde mit der Entwicklung und Anwendung des Open Source Solvers PIPS-IPM++ die Voraussetzung fur den Einsatz von Hochleistungscomputern zur performanten Losung dieser Modelle gelegt. Die grundlegende Idee fur 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 Startlosung fur einen deterministischen Losungsalgorithmus zu nutzen. Mittels Modellkopplungen und statistischer Analysen werden ex-post ausfuhrliche Auswertungen des entstehenden Szenarioraums durchgefuhrt. Hierzu werden multi-kriterielle Indikatoren (u. a. zu Angemessenheit, Betriebssicherheit und Wirtschaftlichkeit) von moglichen, zukunftigen Stromversorgungssystemen ermittelt. Auf dieser Grundlage sollen abschliesend Methoden entwickelt werden, um besonders interessante Punkte innerhalb des Szenarioraums gezielt ansteuern konnen.