Neue Analyse der Künstlichen Intelligenz bringt bessere Vorhersagen

  • 4cast

Studie: Explainable Machine Learning

Potsdam, 25.05.2020. Machine Learning verbessert die Wind- und Ausfallprognosen für die Windkraft. Bisher war jedoch schwer nachvollziehbar, wie genau der Rechenprozess in der „Black Box“ neuronaler Netzwerke aussieht – und damit fehlten Möglichkeiten zur Optimierung. Ein Paper von 4Cast und Ambrosys stellt jetzt neue Lösungen vor.

Um die Black Box transparent zu machen, hat das Team von Dr. Markus Abel (4Cast GmbH & Co. KG und Universität Potsdam), Dr. Markus Quade (Ambrosys  GmbH) sowie Dr. Thomas Isele von 4Cast jetzt ein Paper zur Kontrolle und Analyse von maschinellem Lernen vorgestellt.

„Wir können die Unsicherheit im Prozess quantifizieren“, sagt Dr. Isele. „Dafür haben wir zwei bestehende Konzepte zusammengebracht und nachgewiesen, dass es funktioniert: Maschinelles Lernen und Regelungstheorie.“

Hohe praktische Relevanz für Windprognosen

Hierfür werden Techniken der Systemanalyse und der nichtlinearen Dynamik verwendet. Das ermöglicht es auch Unternehmen aus der Windbranche, diese Methodik selbst anzuwenden.

Das mathematische Verfahren der symbolischen Regression lässt sich demzufolge direkt anwenden: Der Weg für weitere Optimierungen ist dadurch geöffnet.

„Damit können wir zuverlässiger die Gültigkeitsgrenzen eines Prognose-Modells vorhersagen“, sagt Horst Bidiak, 4Cast. „So verhindern wir Totalausfälle und unerwünschtes Verhalten, weil wir uns besser auf diese Grenzen vorbereiten können.“

Das Paper „Explainable Machine Learning Control – robust control and stability analysis“ zeigt den von Ihnen erarbeiteten Lösungsansatz.

Hintergrund: Lange standen Wissenschaftler vor dem Problem, den „Denkprozess“ von künstlicher Intelligenz (KI) nicht nachvollziehen zu können. Gängige neuronale Netzwerke liefern zwar hilfreiche Ergebnisse, beispielsweise um Ertragsprognosen basierend auf Windstärke und Nennleistung zu errechnen. Auch bei der Vorhersage von Wartungsfällen, der Abregelungskontrolle oder technischen Ausfällen hilft die KI, Ertragseinbußen zu reduzieren. Doch im Grunde waren diese Prozesse bisher ein Orakel: Was zwischen der Aufnahme der Daten und der Präsentation des Ergebnisses lag, wird oft als „Black Box“ bezeichnet. Das ist ein Problem: Wer den Prozess nicht sieht, kann ihn nicht optimieren.

Download:

Das vollständige Paper zum Download finden Sie auf:
https://www.comet.ml/arxiv/2001-10056/notes

Pressekontakt:

4Cast GmbH & Co. KG
Horst Bidiak, Chief Product Officer
Parkstraße 1
14469 Potsdam
Mail: horst.bidiak@4-cast.de
Tel: +49 160 90612465
www.4cast.de