AuSeSol-AI - AI-Methoden für die autarke und selbstoptimierende solare Energieerzeugung

Abstract

Das Verbundprojekt AuSeSol-AI (AI-Methoden für die autarke und selbstoptimierende solare Energieerzeugung) zielt darauf ab, Künstliche Intelligenz (KI) zur Verbesserung der Betriebsüberwachung und -optimierung konzentrierender solarthermischer Anlagen (CSP) einzusetzen. Ausgehend von einer großen Menge an Betriebsdaten, die in modernen Anlagen anfallen, sollen durch datenbasierte KI-Verfahren bisher ungenutzte Informationen für eine präzise Zustandsüberwachung, frühzeitige Fehlfunktionserkennung und autonome Steuerung genutzt werden. Die zentrale Herausforderung liegt in der Komplexität und Überlagerung vieler physikalischer Effekte unter sich ständig ändernden Randbedingungen, die klassische Methoden überfordern. Das Projekt entwickelt KI-Verfahren aus mehreren Kernkomponenten: (1) KI-basierte Bildauswertung luftgestützter Messsysteme zur präzisen optischen und thermischen Zustandsüberwachung von Solarfeldern; (2) Deep-Learning-basierte Vorhersagen der solaren Einstrahlung aus Himmelsbildern (All-Sky-Imager) für präzise Rampenratenvorhersagen; (3) selbstadaptierende, datenbasierte Prozessmodelle („Grey-Box“ und „Black-Box“) für die Anlagenteile (Heliostatfelder, Receiver, Wärmekreisläufe, Parabolrinnen); (4) KI-gestützte Betriebsdatenanalyse zur Anomalieerkennung, Trendanalyse und Zustandsbewertung; (5) ein automatisiertes Betriebsassistenzsystem mit Mensch-Maschine-Schnittstelle zur Entscheidungsunterstützung und (6) KI-unterstützte, autonome Anlagensteuerung. Die entwickelten Methoden werden an drei realen Anlagen erprobt: einer großen Parabolrinnenanlage in Spanien (Andasol 3), einer Prozessdampfanlage in Jordanien und dem Forschungskraftwerk Solarturm Jülich. Dies gewährleistet die Validierung unter realen Betriebsbedingungen und die Abschätzung des technischen und wirtschaftlichen Potenzials. Das Konsortium aus den Forschungsinstituten (DLR, TUM, FZJ, fortiss), Industriepartnern (CSPS, ISG) und assoziierten Anlagenbetreibern (MQS, JTI) kombiniert methodische Expertise in KI, Bildverarbeitung und Solarforschung mit praktischer Anwendungserfahrung. Das Projekt trägt zur Erreichung der Nachhaltigkeitsziele der Agenda 2030 bei, insbesondere durch die Senkung der Stromgestehungskosten, die Reduktion des Wasserverbrauchs durch optimierte Reinigungszyklen und die Förderung erneuerbarer Energien in Entwicklungsländern. Die Ergebnisse werden wissenschaftlich durch Publikationen und wirtschaftlich durch die kommerzielle Verwertung der entwickelten Tools und Dienstleistungen (z. B. O&M-Assistenten, autonome Steuerungssysteme) umgesetzt.