UNSEEN-Projekt nutzt Supercomputing für neue Dimension der Energiesystem-Modellierung
Im Rahmen des UNSEEN-Projekts haben Forschende einen neuen Ansatz entwickelt, der die Bewertung von mehr als 11.000 Energieszenarien mit einer Vielzahl von Eingabeparametern und Methodenoptionen anhand von mehreren Kriterien ermöglicht. Das JSC brachte seine Expertise im High-Performance Computing (HPC) ein, bot Beratung und technischen Support und koordinierte die technische Umsetzung des Workflows auf den Supercomputern JURECA-DC und JUWELS des JSC.
Globale Konflikte, der Klimawandel und andere Ursachen für Schwankungen auf den Energiemärkten erschweren es Entscheidungsträgern, eine sichere und nachhaltige Stromversorgung für die Zukunft zu planen. Mathematiker und Energieforscher arbeiten mit führenden Persönlichkeiten des öffentlichen Lebens zusammen, um Energieszenarioanalysen zu entwickeln, die eine Reihe von Möglichkeiten für den zukünftigen Energiebedarf und potenzielle Herausforderungen bei dessen Deckung aufzeigen.
Bis vor kurzem konnten Forschende jedoch nur mit einer geringen Anzahl von Szenarien effiziente Energieszenarioanalysen erstellen, die stark auf bestimmten Annahmen beruhten und den Einfluss von Unsicherheiten auf Energiesysteme nicht ausreichend berücksichtigten.
Ein vielversprechender neuer HPC-gestützter Ansatz
Im Rahmen des Projekts UNSEEN haben Forschende in den letzten Jahren die Supercomputer JURECA-DC und JUWELS Cluster am Jülich Supercomputing Centre genutzt, um die Analyse von Energieszenarien auf ein neues Niveau zu heben. In einem kürzlich erschienenen Artikel in Nature Communications hat das Team einen Modellierungsworkflow vorgestellt, der mehr als 11.000 Szenarien für das deutsche Stromnetz mit einer Vielzahl von Eingaben umfasst.
Zusammengenommen vertiefen diese Analysen die Prognosekraft in Bezug auf Energiekosten, Versorgungssicherheit und Nachhaltigkeit. An der Arbeit waren Forschende des Deutschen Zentrums für Luft- und Raumfahrt (DLR), des JSC, des Zuse Institut Berlin (ZIB), der TU Berlin und der GAMS Software GmbH beteiligt.
HPC ist in unserem Forschungsbereich noch kein etablierter Ansatz. Gleichzeitig sehen sich Forschende, die sich mit Energieszenarioanalysen befassen, zunehmend mit langen Rechenzeiten konfrontiert, wenn sie Laptops oder kleinere gemeinsam genutzte Cluster verwenden. Für uns war die Weiterentwicklung unserer Anwendung für den Einsatz auf HPC ein logischer nächster Schritt, der die Entwicklung geeigneter Solver-Software erforderte, um diese Arbeit effizient durchführen zu können.
Vorbereitung von Daten und Computing-Workflows für HPC
Im Jahr 2015 schloss sich das JSC einem Projekt mehrerer Institutionen an, dessen Schwerpunkt darauf lag, die Rechenleistung Deutschlands für eine bessere Modellierung von Energiesystemen zu nutzen. Das Projekt BEAM-ME wurde vom DLR geleitet. Ihm gehörten Computing-Expertinnen- und -Experten des JSC und des Hochleistungsrechenzentrums Stuttgart an. Der Erfolg des Projekts führte vier Jahre später zum Nachfolgeprojekt UNSEEN.
Während sich die Forschenden bei BEAM-ME in erster Linie auf die Verbesserung der algorithmischen Effizienz und der Codes für Energieoptimierungsprobleme konzentrierten, lag der Schwerpunkt der Arbeit von UNSEEN darauf, diese Verbesserungen zu nutzen und optimierte Energiesystemanalysen durchzuführen, während gleichzeitig nach Möglichkeiten zur weiteren Optimierung der Computing-Workflows gesucht wurde.
Um eine möglichst realistische Analyse eines Energiesystems zu erstellen, müssen Forschende eine Vielzahl von Open-Source-Daten zusammenführen: die Produktionskapazitäten bestehender Kraftwerke, stündliche Energiebedarfsmuster in Deutschland, die aktuelle und prognostizierte zukünftige Stromerzeugung aus erneuerbaren Energiequellen sowie Klimawandelmodelle. Gleichzeitig müssen sie Prognosen darüber erstellen, wie sich Bevölkerungsverschiebungen, Veränderungen in der Energieerzeugung und -preisgestaltung sowie unzählige andere Unsicherheiten auf die zukünftige Stromerzeugung auswirken werden.
„Die größten Original-Datensätze, die in dieser Art von Modellierung enthalten sind – historische meteorologische Daten – sind in der Regel stark vereinfacht. Unseren Erkenntnissen zufolge haben diese Daten jedoch einen großen Einfluss auf die Gestaltung zukünftiger Energiesysteme. Daher mussten wir ein besseres Verständnis dafür entwickeln, welcher Grad an Vereinfachung für diese Analysen akzeptabel ist“, so Dr. Karl-Kiên Cao, Postdoktorand am DLR und wissenschaftlicher Koordinator des UNSEEN-Projekts.
Die DLR-Forscher arbeiteten eng mit Thomas Breuer vom JSC zusammen, um ihre Computation-Workflows zu verbessern. Letztendlich wollte sich das Team nicht nur darauf konzentrieren, die Vereinfachungen in seinen Modellen realistischer zu gestalten, sondern auch die Gewichtung von Unsicherheiten verbessern.
Um das Team zu unterstützen, mussten wir zunächst verstehen, wie der Code und die Prozesse in ihrer bestehenden Umgebung funktionierten, damit wir sie bestmöglich in eine HPC-Umgebung übertragen konnten, einschließlich der vielen Interaktionen einzelner Komponenten des Workflows.
Breuer half dem Team bei der Einrichtung seines Workflows mit dem Workflow-Management-Tool JUBE des JSC. Kollegen vom ZIB, der TU Berlin und GAMS arbeiteten mit dem Team zusammen, um den PIPS-IPM++-Löser für die Modellierung von Energiesystemen anzupassen, den das Team für effizientere Analysen weiter optimieren will.
In seinen jüngsten Berechnungen, die in der Fachzeitschrift Nature Communications veröffentlicht wurden, stellte das Projektteam fest, dass vier Energiesystem-Szenarien für Deutschland für mehrere der sieben Indikatoren, die sich auf Erschwinglichkeit, Versorgungssicherheit und Nachhaltigkeitsziele beziehen, nahezu optimal waren.
Zukünftige Optimierungen und fundierte Prognosen für Entscheidungsträger
Angesichts dieser ermutigenden Ergebnisse will das Team seinen Workflow weiter optimieren, um Analysen noch schneller durchführen zu können. Die Forschenden werden außerdem weiter daran arbeiten, genauere Annahmen einzubeziehen und verschiedene Arten von Unsicherheit in ihren Modellen besser zu berücksichtigen.
Neben der Verbesserung der Benutzerfreundlichkeit ihrer Solver-Software für die Entwickler von Energiesystemmodellen bereitet das Team derzeit Benchmarking-Experimente vor, um zu vergleichen, wie ihr Workflow auf Shared-Memory-Systemen, verteilten Speichersystemen und GPU-basierten Lösungen laufen würde.
Für Cao liegt der Schwerpunkt zukünftig auf zwei Bereichen: einerseits auf der Ausführung groß angelegter, rechenintensiver Modelle, mit denen sich wiederum diejenigen Modelle weiter verbessern lassen, die Forschende auf weniger leistungsstarken Computern verwenden können; andererseits auf der Präsentation von Forschungsergebnissen in einer praxisnahen, für Entscheidungsträger nutzbaren Form.
„Unser Fachgebiet ist es nicht gewohnt, groß angelegte Ensemble-Studien wie diese auszuwerten“, sagte Cao. „Daher ist es eine Herausforderung, aus diesen riesigen Datensätzen die wichtigsten Erkenntnisse herauszufiltern und sie so zu präsentieren, dass sie Entscheidungsträgern bei künftigen energiepolitischen Entscheidungen helfen.“
Da das Team nun in der Lage ist, HPC-basierte Analysen zu erstellen, konzentriert es sich darauf, neue Möglichkeiten für die interdisziplinäre Zusammenarbeit zu schaffen und komplexe Modellierungsergebnisse in praktische Erkenntnisse für Entscheidungsträger zu verwandeln.
Zugehörige Veröffentlichung: Frey, U. J., Cao, K.-K., Sasanpour, S., Buschmann, J., & Breuer, T. (2026). The benefits of exploring a large scenario space for future energy systems. Nature Communications, 17, 873. https://doi.org/10.1038/s41467-025-67593-9
Weitere Informationen finden Sie im Originalartikel auf der GCS-Website.
