KI und Energiewende: Katalysator für Erneuerbare, Stütze für Fossile?

Die Künstliche Intelligenz (KI) könnte eine entscheidende Rolle in der Energiewende spielen, indem sie Kapital zurück in den Sektor der erneuerbaren Energien lenkt, auch wenn sie gleichzeitig fossile Brennstoffe kurzfristig stützen könnte. Nach einer Phase stagnierender Energienachfrage in Europa, die Investoren von Erneuerbaren abhielt, prognostiziert die Internationale Energieagentur (IEA) einen Anstieg der globalen Stromerzeugung aus erneuerbaren Quellen um 60 % bis 2030, was 45 % der gesamten Stromproduktion ausmachen würde.

KI als Katalysator für die Energiewende

Im Jahr 2024 stammten fast 50 % des europäischen Stroms aus erneuerbaren Energien, und die Region verfügt über eine starke Pipeline von Solar- und Windkraftprojekten, die auf den Netzanschluss warten. Peter Osbaldstone, Forschungsdirektor für europäische Strom- und erneuerbare Energien bei Wood Mackenzie, betont jedoch die Herausforderung, diese variable Versorgung in die Strommärkte zu integrieren. Dieser Integrationsdruck führe zu Preisdruck, der die Wirtschaftlichkeit von Investitionen untergräbt und die Dekarbonisierung erschwert.

Agate Freimane, Partnerin bei der Risikokapitalfirma Norrsken, bezeichnet den Einsatz fossiler Brennstoffe als "kurzfristige Krücke", um den KI-Rollout zu ermöglichen. Langfristig sei jedoch "erneuerbare Energie der einzige Weg zum Erfolg". Sie weist darauf hin, dass die Preise für erneuerbare Energien um mehr als 90 % gesunken sind und 2024 91 % der neuen Projekte günstiger waren als fossile Alternativen. Dieser Wandel löse einen sich selbst verstärkenden Zyklus aus: Günstigerer sauberer Strom beschleunigt die Elektrifizierung, was wiederum die Nachfrage nach Speichern und Netzintelligenz erhöht und die Kosten für saubere Energie weiter senkt. So könne argumentiert werden, dass KI die Umstellung auf erneuerbare Energien beschleunigt.

Herausforderungen der Integration erneuerbarer Energien

Für Alberto Faraco, Senior Analyst für Infrastruktur bei Morningstar DBRS, bleibt die Intermittenz ein grundlegendes Problem bei erneuerbaren Energien. Er betont, dass Investitionen im gesamten System erforderlich sind, nicht nur auf der Erzeugungsseite. Datenzentren könnten zwar den Strompreis in die Höhe treiben und damit die Entwicklung erneuerbarer Energien fördern, doch müssten gleichzeitig die Übertragungsnetze und Batteriespeicher ausgebaut werden. Faraco ist der Ansicht, dass erneuerbare Energien allein nicht ausreichen werden, um den stabilen Bedarf der Datenzentren zu decken.

Die Rolle fossiler Brennstoffe und Kernenergie

Angesichts des wachsenden, KI-getriebenen Strombedarfs rücken fossile Brennstoffe wieder in den Fokus, um Engpässe zu überwinden. Die IEA hat ihre Wachstumsprognose für erneuerbare Energien für 2025-2030 im Vergleich zu 2024 um 5 % nach unten korrigiert, was die veränderte Stimmung und Politik, insbesondere in den USA, widerspiegelt. Faraco erklärt, dass Gas "vorerst unmöglich abzuschaffen" sei und als der "effizienteste und sauberste" fossile Brennstoff gelte. Wood Mackenzie erwartet, dass Gas, das von der Europäischen Union als Übergangsbrennstoff eingestuft wird, bis 2060 Teil des Energiemixes bleiben wird. Osbaldstone betont, dass Regierungen irgendwann eine Entscheidung über die Gasstromerzeugung treffen müssen, aber letztendlich "die Lichter anbleiben müssen".

Obwohl Kernenergie als stabile Grundlastoption für erneuerbare Energien angepriesen wird, kann sie nicht flexibel ein- und ausgeschaltet werden, um auf Schwankungen von Angebot und Nachfrage zu reagieren, so Faraco.

Potenziale und Risiken der Batteriespeicherung

Um im Einklang mit den Klimazielen von fossilen Brennstoffen wegzukommen, muss die Energiespeicherung massiv ausgebaut werden. Laut einem IEA-Bericht aus dem Jahr 2024 sind die Batteriekosten in weniger als 15 Jahren um 90 % gesunken, und es werden neuere Chemien für Langzeitspeicher entwickelt.

Die Investitionsaussichten sind jedoch nicht eindeutig. Osbaldstone merkt an, dass die Auslastung von Langzeitbatteriespeichern in einem typischen Jahr sehr gering sein wird, da ihre Nutzung wetterabhängig ist. Es besteht auch ein Preisrisiko, da Betreiber nicht wissen, wie viel sie für die Speicherung und den Verkauf von Energie zahlen oder verdienen werden. Faraco warnt, dass mit zunehmender Anzahl von Batterien im Netz die Arbitragemarge komprimiert werden könnte, da mehr Batterien Strom zu niedrigen Preisen kaufen und zu höheren Preisen verkaufen würden.

Das "Zwillingspotenzial" von KI und Energie

Befürworter argumentieren, dass KI auch als entscheidender Wegbereiter für intelligentere Speicher dienen und ein besseres Management ermöglichen könnte. Ein IEA-Bericht besagt, dass "KI-gesteuerte Datenanalysen die Planung, das Projektdesign und Echtzeit-Betriebsentscheidungen verbessern könnten, was zu reduziertem Kraftstoffverbrauch, geringeren CO2-Emissionen und verlängerten Anlagenlebensdauern führt".

Die Europäische Kommission setzt auf solche Vorteile im gesamten Energiesystem und spricht vom "Zwillingspotenzial von Energie für KI und KI für Energie". Ein Sprecher der Kommission erklärte, dass der bevorstehende Fahrplan des Blocks für Digitalisierung und KI im Energiesektor die Einführung von Digitalisierung und KI im Energiesektor beschleunigen und gleichzeitig die Energieeffizienz und Systemzuverlässigkeit verbessern werde. Die Kommission betont, dass das Potenzial von KI zur Stärkung der europäischen Energieresilienz und zur Beschleunigung des Übergangs zu sauberer Energie immer deutlicher werde, gleichzeitig aber der wachsende Strombedarf von KI-Technologien eine intelligente, vorausschauende Planung erfordere.

KI in der Praxis: Datenanalyse und Effizienz

Bei GE Vernova wird Künstliche Intelligenz als die Fähigkeit definiert, zu 1) Fühlen, 2) Denken, 3) Lernen und 4) Reagieren mit menschenähnlicher Intelligenz. Maschinelles Lernen ist eine Untergruppe der KI, die Algorithmen nutzt, um aus Daten zu lernen und die Leistung bei einer bestimmten Aufgabe zu verbessern, ohne explizit programmiert zu werden.

Unternehmen in der Energiebranche, wie Stromerzeugung, Metall und Bergbau, sind oft "datenreich, aber erkenntnisarm", was es fast unmöglich macht, Millionen von strukturierten und unstrukturierten Daten zu navigieren, um relevante Informationen zu finden. Dies ist besonders kritisch, wenn Ingenieure neue Probleme an hochkomplexen Systemen beheben müssen, um die relevantesten Verfahren, Maschinenleistungsdaten, Betriebsgeschichte und ähnliche Probleme an Subsystemen zu finden. Laut einem Bericht von McKinsey & Company verlassen sich Ingenieure oft auf ihre Erfahrung, sprechen mit Experten oder durchsuchen Datenberge, was bei kritischen Problemen stressig ist und oft zu suboptimalen Ergebnissen führt.

Eine aktuelle Studie von Verdantix über industrielle KI-Analysen stellte fest, dass die frühen Tage der fortgeschrittenen KI-Analysen Verbesserungen bei den Trainingstechniken, die Verbreitung kostengünstiger Datenerfassung, die Beschleunigung von Big Data im Cloud-Maßstab und die Einführung speziell entwickelter Computerhardware zur Beschleunigung der Entwicklung sahen. Aufbauend auf diesen etablierten Arbeitsabläufen investieren Industrieunternehmen in verschiedene Kern-KI-Technologien und erzielen damit Erfolge.