Ökologiepreis der Viktor & Sigrid Dulger Stiftung 2026 geht an Benjamin Schäfer
Die Heidelberger Akademie der Wissenschaften vergab den Ökologiepreis 2026 der Viktor & Sigrid Dulger Stiftung an Benjamin Schäfer. Die nachhaltige Umstellung des Energiesystems ist herausfordernd, da die Verfügbarkeit von erneuerbaren Stromquellen wie Sonnen- und Windenergie stark schwankt. Benjamin Schäfer arbeitet daher daran, die Stabilität und Widerstandsfähigkeit des Stromnetzes durch transparente, erklärbare KI-Methoden zu erhöhen. Er kombiniert physikalische Modellierung, maschinelles Lernen und offene Daten, um Fluktuationen im Energiesystem zu quantifizieren und deren Ursachen zu erklären. Gemeinsam mit internationalen Forschenden hat er ein datengetriebenes Lastprofil entwickelt, mit dem das Gleichgewicht zwischen Angebot und Nachfrage künftig besser zu regulieren ist.
Bislang schätzen Energieversorger den benötigten Strom mittels eines Standardlastprofils, das teils auf Messungen und Verbrauchsdaten basiert, die viele Jahre in der Vergangenheit liegen. Moderne Haushalte besitzen hingegen neuartige Geräte wie Photovoltaik und Elektroautos, die zu schnellen Verbrauchsschwankungen führen können. „Gleichzeitig stehen mehr Betriebsdaten denn je zur Verfügung stehen, was daten-getriebene Ansätze möglich und sogar notwendig macht“, so Benjamin Schäfer. „Maschinelles Lernen und künstliche Intelligenz können diese enormen Datenmengen verarbeiten, müssen aber erklärbar bleiben. Unser Algorithmus kann angeben, welche Faktoren für seine Vorhersage relevant sind.“ Ziel ist es das Stromsystem auch in Zukunft stabil und kostenoptimal zu betreiben. Mit dem Ökologiepreis fördert die Viktor & Sigrid Dulger Stiftung Arbeiten, die sich die mit Umweltproblemen und deren Lösung befassen. Der Preis ist nun zum dritten Mal in Folge ans KIT gegangen.
Ökologiepreis der Viktor & Sigrid Dulger Stiftung
Data-driven load profiles and the dynamics of residential electricity consumption
veröffentlicht in Nature Communications 2022
Explainable time-series forecasting with sampling-free SHAP for Transformers
veröffentlicht in Nature Communications 2026