Die Prognose des Energiebedarfs von individuellen Akteuren anhand von Zeitreihen kennzeichnet sich durch eine gewaltige Datenlage aufgrund der Vielzahl von Energiekonsumenten aus. Derzeitig wird jeder Gewerbekunde mit einem Verbrauch > 100 MWh pro Jahr einer registrierenden Leistungsmessung (RLM) unterzogen und für jeden Kunden wird eine individuelle Verbrauchsvorhersage erstellt. Um diese Komplexität mit mathematischen Modellen abbilden zu können, sind flexible datengetriebene Lösungen notwendig. Einerseits stellt diese umfangreiche Datenlage Herausforderungen an die Handhabung der Analyse, andererseits ermöglicht sie aber auch eine datengetriebene Modellierung komplexer Verhaltensmuster. Eine Kernproblematik liegt dann jedoch in der Übertragung dieses Modells auf die Individualprognose für jeden Akteur. Das Ziel von AGENS liegt in der Entwicklung von flexiblen Modellen basierend auf Neuronalen Netzen (NN), die in der Lage sind, die Gesamtkomplexität anhand von großen Datenmengen zu modellieren. Um eine robuste Prognose pro Akteur zu ermöglichen, ist eine Verbesserung der Datenqualität für jeden individuellen Konsumenten nötig. Als Kernpunkt des Projekts werden hierzu sogenannte Generative Adversariale Neuronale Netze (GAN) entwickelt, die eine Datenaugmentation ermöglichen. Für ein erfolgreiches Trainieren der GAN sind statistische Voranalysen der Daten durchzuführen, um ihre charakteristischen Muster zu ermitteln und diese in die GAN einzuspeisen. Basierend auf dem erweiterten Datenstamm ist es das Ziel, anschließend robuste Modelle mit kalibrierten Unsicherheiten trainieren zu können und deren Anwendbarkeit im industriellen Rahmen zu gewährleisten. Das Teilprojekt „Dynamische Neuronale Netze“ der Universität Bremen untersucht auf der theoretischen Seite die mathematisch-theoretischen Zusammenhänge zwischen zeit-rekurrenten Neuronalen Netzen (RNNs), die auf diskreten Daten (Zeitreihen) aufbauen, und den kontinuierlichen Konzepten der Neural Ordinary Differential Equations (NODE). Ziel sind Abschätzungen zur Approximationsgüte unter Berücksichtigung von Modellunsicherheiten. Diese Modelle werden in Kooperation mit den Industriepartnern zur Prognose des Strombedarfs getestet. Hauptgegenstand dieses Teilvorhabens liegt in der Entwicklung sowie Analyse dynamischer Neuronaler Netze mit Fokus auf die Energieprognose.