AI-flex - Autonome AI für zellulare Energiesysteme mit zunehmender Flexibilität durch Sektorkopplung und verteilte Speicher

Abstract

Derzeitiger Stand von Wissenschaft und Technik: Eine der zentralen Herausforderungen beim Aufbau zellulärer Energiesysteme liegt in dem Mangel eines effizienten Energiemanagements im Niederspannungsbereich begründet. Die Kernaufgabe solcher Managementsysteme besteht in der koordinierten Steuerung einzelner Energiezellen. Das Energiemanagement innerhalb einer Zelle stellt dabei ein hochkomplexes Optimierungsproblem dar, das sich mit konventionellen Lösungsansätzen nur unter erheblichem Aufwand bewältigen lässt. In Anbetracht dessen erfahren Ansätze aus dem Bereich der Künstlichen Intelligenz (KI) eine zunehmende Relevanz in der aktuellen Forschung. Es konnte festgestellt werden, dass KI-Methoden, insbesondere aus den Bereichen maschinelles Lernen und prädiktive Optimierung, eine vielversprechende Lösung darstellen, da sie in der Lage sind, komplexe Datenmengen effizient zu verarbeiten und auf dieser Basis robuste Steuerungsentscheidungen zu treffen. Aktuelle wissenschaftliche Arbeiten belegen, dass KI-basierte Systeme geeignet sind, sowohl kurzfristige Vorhersagen als auch langfristige Strategien in Energiemanagementsystemen zu unterstützen. Zielsetzung der Untersuchung: Die vorliegende Untersuchung hat die Zielsetzung, AI-/ML-basierte Zelloptimierungs-Algorithmen für das Management von Energiezellen in einem zukünftigen europäischen, zellularen Energiesystem zu entwickeln. Insbesondere auf den unteren Ebenen der Verteilnetze, die verschiedene Konstellationen von Energieerzeugern, Speichern und Lasten aufweisen, besteht derzeit ein Mangel an übergeordneten Steuerungssystemen, die eine effiziente, flexible und resiliente Betriebsweise gewährleisten. Ein besonderes Augenmerk liegt dabei auf der Integration von Power-to-X-Technologien (P2H, P2M, P2G) sowie Batteriespeichersystemen (BSS) als zentrale Flexibilitätsoptionen. Um das vorhandene Potenzial optimal nutzen zu können, sind technologiespezifische Steuer- und Optimierungsalgorithmen erforderlich, die innerhalb einer Energiezelle agieren und anschließend in einen übergeordneten Zelloptimierer eingebettet werden können. Methode: In der methodischen Herangehensweise werden zunächst die bestehenden Rahmenbedingungen hinsichtlich der Ebenen, Schnittstellen und Daten der Energienetze analysiert. Darauf aufbauend erfolgt die Auswahl geeigneter AI-/ML-Methoden. Aufbauend auf den zuvor beschriebenen Sachverhalten wird ein digitaler Zwilling der unteren Netzebenen als Validierungsplattform für die in diesem Kontext entwickelten Ansätze generiert. Parallel dazu werden KI-gestützte Optimierer-Interfaces für verschiedene Speichertechnologien entworfen und in einen übergeordneten Zelloptimierer integriert. Des Weiteren werden Geschäftsmodelle abgeleitet, die der Sicherung der wirtschaftlichen Tragfähigkeit dienen. Die Methoden werden in Simulationen sowie unter realen Netzzuständen erprobt. Ziel dieser Erprobung ist der Nachweis und die kontinuierliche Verbesserung von Effizienz und Praxistauglichkeit. Ergebnis und Anwendungsmöglichkeiten: Im Rahmen des Projekts AI-flex wurde ein integriertes Energiemanagement-Konzept entwickelt, welches mit modularen Optimierer-Schnittstellen für P2X-Technologien und Batteriespeicher sowie einem zentralen Zelloptimierer auf Niederspannungsebene ausgestattet ist. Die vorliegenden Simulationen und Feldtests belegen signifikante Entlastungen von Transformatoren und Leitungen sowie eine optimierte Lastverteilung. Dies bildet eine praxisnahe Grundlage für die Umsetzung zellularer Energiesysteme, die Integration erneuerbarer Energien und die Entwicklung neuer Geschäftsmodelle im Bereich Messstellenbetrieb, Datenmanagement und Netzdienstleistungen. Langfristig eröffnet der Ansatz Perspektiven für eine europaweite, KI-gestützte Flexibilitätssteuerung und Sektorenkopplung, unterstützt durch den digitalen Zwilling als Werkzeug für Validierung, Transfer und Skalierung.