Erklärbare KI für Energiesysteme

Künstliche Intelligenz (KI) wird zunehmend eingesetzt, um Stromnetze stabil zu betreiben, Strompreise vorherzusagen und die Energieversorgung effizienter zu steuern. Damit KI in kritischen Infrastrukturen wie dem Energiesystem vertrauenswürdig eingesetzt werden kann, müssen ihre Entscheidungen nachvollziehbar bleiben.

Forschende der Helmholtz Young Investigator Group DRACOS (Data-Driven Analysis of Complex Systems) am Karlsruher Institut für Technologie (KIT) haben dafür die neue Methode „SHAPformer“ entwickelt. Die Gruppe wird von Tenure-Track-Professor Benjamin Schäfer geleitet. Die Studie wurde am 27. Mai 2026 in der Fachzeitschrift Nature Communications veröffentlicht.

SHAPformer kombiniert Transformer-Modelle mit Methoden der erklärbaren Künstlichen Intelligenz (Explainable AI). Dadurch lässt sich sichtbar machen, welchen Einfluss einzelne Faktoren wie Wetterdaten, Feiertage, Windprognosen oder frühere Verbrauchswerte auf Vorhersagen haben. Eine Besonderheit des Ansatzes besteht darin, dass die Erklärbarkeit direkt in den Trainingsprozess integriert wird. Dadurch bleiben die Vorhersagen präzise, während die Analyse effizienter wird. Die Forschenden sehen darin eine wichtige Grundlage für den zukünftigen Einsatz transparenter KI-Systeme im Energiesektor.

„Beim Training unseres Modells haben wir gezielt einzelne Informationen ausgeblendet“, erklärt Matthias Hertel, wissenschaftlicher Mitarbeiter am Institut für Automation und Angewandte Informatik (IAI) des KIT und Erstautor der Studie. So könne der Beitrag einzelner Eingaben zu den Vorhersagen nachvollzogen werden. Das Forschungsteam testete den Ansatz unter anderem mit realen Daten des Übertragungsnetzbetreibers TransnetBW, um Stromverbrauch und Strompreise für Zeiträume von bis zu einer Woche vorherzusagen. Langfristig soll die Methode dazu beitragen, KI-Systeme im Energiesektor transparenter und akzeptierter zu machen – etwa bei intelligenten Ladesystemen für Elektroautos oder Heimspeichern.