Schmilzt der Schnee im Frühling, füllt dies die Speicherseen der Wasserkraftwerke. Der Schnee ist damit also gewissermassen eine Stromreserve. Nur wie lässt sich diese Reserve messen und wie kann man daraus Prognosen zur Versorgungssicherheit ableiten? Ein Viererteam suchte eine Antwort auf diese Frage am GovTechHackathon der Bundeskanzlei und …. war erfolgreich.

Bei null musste das Team nicht beginnen: Die Füllstände der Speicherseen werden regelmässig gemessen und auch publiziert. Die Standorte der Speicherseen und deren Einzugsgebiet sind zudem als offene Daten, sogenannte Open Government Data (OGD) zugänglich. Anhand von Satellitenbildern und Bodenbeobachtungen des ETH Spin-Off Exolabs waren Information zu Schneemengen verfügbar.

Wie kann man nun auf Basis dieser Informationen Prognosen über die verfügbaren Stromreserven machen? Lucas Tochtermann, Fachspezialist in der Sektion Geoinformation und digitale Innovation hat die Challenge/Fragestellung für den GovTechHackathon konzipiert und war Teil des Viererteams.

Energeiaplus: Ihr habt auf Basis der erwähnten Informationen die Schneereserven der Schweizer Stauanlagen berechnet. Wie schwierig war das?

Lucas Tochtermann hat die BFE-Challenge am GovTechHackathon geleitet. Bild: BFE

Lucas Tochtermann: Es ist immer wieder spannend zu sehen, wie bei Hackathons der sogenannte Open Innovation Ansatz voll zum Tragen kommt. Menschen mit unterschiedlichen Hintergründen, Fähigkeiten und Perspektiven kommen zusammen, um ein Problem zu lösen und können sich bei der Lösungsfindung gegenseitig ergänzen, sich auf neue Ideen bringen. In unserem Team waren Personen aus Bundesbehörden, Privatwirtschaft und Forschung mit unterschiedlichem Hintergrund (Geoinformation, Mathematik und Ökonomie). Besonders wichtig war, dass sie sehr gute Programmierkenntnisse mitbrachten.

Die Challenge schien zunächst relativ klar zu sein. Aber wie so oft tauchen die Probleme dann auf, wenn man ins Detail geht. Die Herausforderungen waren sowohl methodischer als auch technischer Natur: Wie kombinieren wir Polygone und Raster? Wie können wir den Code so anpassen, dass paralleles Rechnen bei so grossen Datenmengen möglich ist? Welche zusätzlichen Daten brauchen wir, um unser Modell zu füttern, das künstliche Intelligenz (KI) verwendet? Zählt Schmelzwasser nur einmal oder können wir davon ausgehen, dass es mehrmals turbiniert wird? Wie gehen wir mit Zu- und Abflüssen über Talverbindungen um? Um nur einige Beispiele zu nennen. Durch die Beantwortung schafften wir eine digitale Innovation.

Lassen sich Schneemengen überhaupt verlässlich messen?

Die einfachste, aber aufwändigste Methode wäre, mit einer Messlatte auf den Berg zu gehen, die Schneemenge zu messen und dann anhand einiger Stichproben eine Schätzung für das ganze Tal zu machen.

Was aktuell oft gemacht wird, aber teilweise ungenau ist, ist die Schätzung der Schneemenge anhand von meteorologischen Daten. Solche Indikatoren haben wir bereits im Dashboard, allerdings nicht pro Stauanlage. KI ermöglicht nun fortschrittlichere Auswertungen. Mit hochauflösenden Satellitenbildern (Geoinformation) und KI stehen nun Möglichkeiten zur Verfügung, die nicht so aufwändig sind, wie vor Ort zu gehen. Die täglich zur Verfügung stehenden Daten sind laut ExoLabs mit einem Fehler von +/-50L pro 20 Quadratmeter Fläche unglaublich genau. Das ermöglicht ganz neue Analysemöglichkeiten.

Die folgenden beiden Satellitenbilder zeigen an einem konkreten Beispiel die unterschiedlichen Schneewasseräquivalente für das Einzugsgebiet vom Stausee Roggiasca (GR) innerhalb von einem kurzen Zeitraum von zwei Wochen. Je dunkler die Farbe, desto höher die Schneemenge: Kartenbild links vom 29.11.2023: 1’222’339 Liter und Kartenbild rechts vom 14.12.2023: 3’228’181 Liter.

Mit diesen Bilddaten konnten wir mit Hilfe von Analysemethoden eine Zeitreihe pro Stauanlage erstellen, die es ermöglicht, die Schneereserven der einzelnen Anlagen im Jahresverlauf aber auch im historischen Kontext zu vergleichen. Weiter können Anlagen untereinander auch verglichen werden, wie in der folgenden Abbildung dargestellt (vgl. Abb. unten). Aus der historischen Analyse können Rückschlüsse bspw. auch auf die Auswirkungen des Klimawandels geschlossen werden.

Grafik: BFE

Die Jury des GovTechHackathon hat das Projekt als «nutzbringendste Lösung» ausgezeichnet. Wem nützt das Projekt?

Das Zielpublikum ist sehr breit. Interessierte aus der Bevölkerung, die Forschung aber auch die Politik profitieren von einer erhöhten Transparenz im Bereich der Stromreserven im Schnee. Mit diesem Ansatz können wir mehr belastbare Grundlagen liefern gerade auch für politische Diskussionen über Stromreserven oder die Versorgungssicherheit. Denn letztlich bedeuten Schneereserven auch Geld für die Stromunternehmen. Durch die Erarbeitung aussagekräftiger und zeitnah verfügbarer Indikatoren können Informationen publik gemacht werden. So kann der öffentliche Diskurs möglichst faktenbasiert und nicht emotional geführt werden. Umso mehr, wenn die Fakten im Energiedashboard eingebettet und so niederschwellig für alle einfach zugänglich gemacht werden.

Von grossem Nutzen sind solche Informationen aber natürlich auch für das Bundesamt für Energie (BFE) selbst beziehungsweise für alle Behörden und Organisationen, die sich mit der Vermeidung einer Mangellage und der Versorgungssicherheit befassen und Entscheidungsträger und -trägerinnen beraten müssen.

Was ist Ihr persönliches Fazit?

Es waren zwei äusserst intensive aber bereichernde Tage. Mit den Resultaten der BFE-Challenge bin ich mehr als zufrieden. Die Erwartung zu Beginn war, die Machbarkeit der Idee mit ein paar ausgewählten Stauanlagen und nur für ein paar Tage zu testen. Wir haben aber viel mehr erreicht und die täglichen Schneemengen aller knapp 200 Stauanlagen unter Bundesaufsicht für das Jahr 2023 berechnen können.  Durch den Einbezug von Niederschlagsdaten konnten wir sogar ein Prognosemodell für zukünftige Schneemengen entwickeln und so schauen, wie sich unsere Stromreserven entwickeln.

Wenn man weiss, wieviel Schnee rund um die Stauanlagen liegt, hat man ein weiteres Puzzlestück zur Erstellung eines integralen Lagebildes der Versorgungslage der Schweiz. Sind so auch Prognosen zur Versorgungssicherheit möglich?

Ja, diese Informationen sind Teil eines grossen Bildes. Bereits in der Vergangenheit konnte das BFE mit Hilfe von KI und digitaler Innovation der Öffentlichkeit wichtige Indikatoren zur aktuellen Lage zur Verfügung stellen. Beispielsweise Stromverbrauchsprognosen oder die tägliche Abschätzung der Stromeinsparungen.  Wie die einzelnen Puzzleteile zu gewichten sind, um Aussagen über die aktuelle Lage zu machen und entsprechende Massnahmen für zukünftige Szenarien zu definieren, ist Aufgabe der bestehenden Krisenorganisationen und Verantwortlichen. Wir sorgen dafür, dass die notwendigen Puzzleteile zur Verfügung stehen, um das Bild zu vervollständigen und die Entscheidungsfindung zu unterstützen.

Was passiert nun mit der Lösung, die am GovTechHackathon erarbeitet wurde? Wie geht’s weiter?

Als erstes werden wir die Resultate intern kritisch reflektieren und plausibilisieren. Die Modellierung von Speicherreserven und deren Produktionspotential ist aufgrund der komplexen Infrastruktur der Kraftwerke nicht einfach.  Danach möchten wir die Inhalte auf dem Energiedashboard publizieren und auch offen als Open Government Data (OGD) zur Verfügung stellen – selbstverständlich maschinenlesbar.

Der GovTechHackathon wurde von der Bundeskanzlei organisiert – zum dritten Mal. Die Ausgabe 2024 stand unter dem Motto «Vernetzte Schweiz».  Für 15 Fragestellungen zu verschiedenen Themen wurden Lösungen gesucht – in Teams von vier bis acht Teilnehmenden mit unterschiedlichem Hintergrund. So sollen verschiedene Blickwinkel einfliessen.

Und hier geht’s zu den Challenges des GovTechHackathon 2024.

Brigitte Mader, Kommunikation, Bundesamt für Energie
Bild: Keystone-sda; Mario Modena