Datenaustausch zur Unterstützung der Ausbildung und Entwicklung von KI-Grundlagenmodellen im Energiesektor

Erwartetes Ergebnis:

Es wird erwartet, dass Projekte zu allen folgenden erwarteten Ergebnissen beitragen:

• Effektive und innovative Methoden zur Sammlung, zum Austausch und zur Nutzung großer Datensätze in Energieanwendungen zum Zweck des Trainings von KI-Modellen unter Gewährleistung von Datenschutz und Sicherheit.
• Fortschrittliche und – wo immer möglich – Open-Source-KI-Grundlagenmodelle zur Unterstützung der Digitalisierung des Energiesystems durch verbesserte Netzbeobachtbarkeit, Prognose von Angebot und Nachfrage, fortschrittliche Speicher- und Integration erneuerbarer Energien, Flexibilität auf der Nachfrageseite und Energieeffizienz.
• Verbesserte Zusammenarbeit, Wissensaustausch und Interoperabilität zwischen Akteuren des Energiesystems für einen sicheren und nahtlosen Datenaustausch.
• Fortschrittliche Methoden für die Entwicklung von KI-Modellen, die sicherstellen, dass die Ergebnisse FAIR (Findable, Accessible, Interoperable, Reusable) über das Projektende hinaus, Open Source und an die technologische Entwicklung anpassbar sind.

Umfang:

Die Qualität von KI-Modellen hängt stark von der Menge, Qualität und Repräsentativität der für ihr Training verwendeten Daten ab. Es wird erwartet, dass sich Projekte auf die Entwicklung, das Training und das Testen von KI-Grundlagenmodellen konzentrieren, wobei umfangreiche Datensätze verwendet werden, um die Energiewende in wichtigen Schwerpunktbereichen des Energiesektors zu beschleunigen. Es wird erwartet, dass Projekte:

• Aufbauend auf den Ergebnissen zuvor finanzierter Projekte zum Gemeinsamen Europäischen Energiedatenraum^[1] sowie der laufenden Arbeit innerhalb der Expertengruppe Data 4 Energy wird erwartet, dass Projekte innovative Methoden und Daten-Governance-Strategien für den Datenaustausch zwischen verschiedenen Energieakteuren demonstrieren. Es wird erwartet, dass Projekte zum Zeitpunkt der Einreichung des Vorschlags den Zugang zu großen relevanten Datensätzen nachweisen können.
• Es wird erwartet, dass Projekte innovative Strategien für den effektiven, sicheren und transparenten Datenaustausch entwickeln, um die Entwicklung von KI-Grundlagenmodellen zu unterstützen. Eine indikative, nicht erschöpfende Liste von Strategien, die untersucht werden können, ist die Verwendung von Datenraum-Konnektoren oder das föderierte Training von Modellen, um die Integration vertraulicher Daten zu ermöglichen; die Erstellung synthetischer Daten als Zwischenschritt zur Schließung von Datenlücken oder zur Verbesserung der Datenqualität könnte ebenfalls untersucht werden. Projekte könnten auch andere innovative Datenaustauschstrategien untersuchen, wie z. B. ein „KI-Fitnessstudio“. Die im Projekt entwickelten Daten-Governance-Strategien sollten so konzipiert sein, dass sie auch nach Projektende skalierbar und betriebsbereit sind.
• Es wird erwartet, dass Projekte Grundlagenmodelle entwickeln, die auf den Energiesektor zugeschnitten sind und mindestens einen – oder mehrere – der folgenden Anwendungsfälle adressieren: Planung und Betrieb von Stromnetzen (einschließlich statischer Leistungsflussmodellierung und dynamischer EMT-Modellierung), Prognose, Engpassmanagement, Anomalieerkennung, Fehlerdiagnose, vorausschauende Wartung, Flexibilitätsmanagement, Energieeffizienz auf der Nachfrageseite, intelligentes und bidirektionales Laden von Elektrofahrzeugen oder andere Anwendungsfälle, die zum Ziel der Digitalisierung des Energiesystems beitragen.
• Es wird erwartet, dass Projekte eine eingehende Prüfung und Validierung der entwickelten Grundlagenmodelle in Labordemonstratoren und realen Pilotprojekten durchführen, aufbauend auf den Ergebnissen und unter Nutzung der Einrichtungen zuvor finanzierter Projekte zu „AI testing and experimentation facilities (TEFs)“^[2]. Regulierungs-Sandkästen könnten auch für reale Pilotimplementierungen in Betracht gezogen werden.
• Es wird erwartet, dass Projekte eine breite Gruppe von Interessengruppen zusammenbringen, darunter Dateneigentümer (z. B. Energieversorger, Netzbetreiber, Anlagenbesitzer), Anwendungsentwickler (z. B. Start-ups, KMU, Hyperscaler) und Modellimplementierer (z. B. Industrie, Netzbetreiber, Gerätehersteller), die einen Raum für Zusammenarbeit und kollaborativen Datenaustausch bieten.
• Um das Training und die Entwicklung der Modelle zu skalieren, können Projekte die Rechenkapazität von…