Innovative hybride Energiesysteme: Ein Interview mit Paloma

Ziel meines Projekts ist die Entwicklung eines Energiemanagementsystems für erneuerbare, hybride Mikronetze mit Speicher, das durch den Einsatz evolutionärer Optimierungsalgorithmen auf Basis künstlicher Intelligenz einen optimalen Betrieb ermöglicht. Für ABO Energy geht es dabei vor allem darum, Wissen aufzubauen, um hybride Anlagen so effizient wie möglich zu entwickeln und zu betreiben – durch die Implementierung, Erprobung und Validierung des Algorithmus in einem hybriden Energiemikrosystem.

Die Model Predictive Control (MPC)-Strategie zielt darauf ab, die Energiekosten pro Stunde zu senken und den Anteil erneuerbarer Energien mit möglichst geringem Rechenaufwand zu maximieren. Ihr Hauptziel ist es, die Betriebskosten des Systems zu minimieren. Dafür nutzt sie einen Optimierungsalgorithmus – konkret die Particle Swarm Optimization (PSO), ein Verfahren, das vom Schwarmverhalten von Vögeln inspiriert ist – um die kostengünstigste Steuerungsstrategie zu finden, die gleichzeitig alle Systemanforderungen erfüllt.

MPC arbeitet mit einem digitalen Zwilling, also einem Modell, das die reale Anlage nachbildet, um Steuerstrategien zu testen und kontinuierlich zu verbessern. Durch die Einbindung von Echtzeitdaten wird der digitale Zwilling präziser, was zu einer besseren Optimierung führt. Besonders bei komplexen Systemen wie hybriden Anlagen mit Solar-, Windenergie sowie Batterien und Wasserstoffspeichern zeigt MPC seine Stärken – etwa bei der Optimierung des Energieeinsatzes, der Wasserstoffproduktion und der Gesamteffizienz.

ABO Energy stellt derzeit Ressourcen für meine Forschung bereit, die ich im Rahmen meiner regulären Arbeitszeit in Teilzeit durchführe. Mit diesem Projekt fördert das Unternehmen die öffentlich-private Zusammenarbeit. Zudem investiert ABO Energy in die notwendige technische Ausrüstung zur Entwicklung des Controllers und übernimmt Kosten für Weiterbildungen, wie etwa Konferenzen, Kurse und die Immatrikulationsgebühren für das Industrie-Doktorat.

Seit September 2022 erhält ABO Energy España Fördermittel von der Agencia Valenciana de la Innovación (AVI) im Rahmen der Ausschreibung „Förderung von Talenten“. Konkret betrifft dies die Förderlinie 3 „Industrie-Doktorand*innen (Innodocto)“. Ziel dieser Initiative ist es, die Ausbildung von Promovierenden in Unternehmen zu unterstützen, um Kompetenzen für F&E-Projekte im Unternehmensumfeld zu entwickeln und so die technische und innovative Leistungsfähigkeit der Mitarbeitenden zu stärken. Diese Förderung läuft bis 2026 und deckt einen Teil der genannten Ausgaben ab.

Besonders hervorheben möchte ich auch die großartige Unterstützung durch Dr. Julia Badeda, die mich als Projektbetreuerin aktiv begleitet. Der Projektfortschritt wird regelmäßig im HES-Team vorgestellt, um Synergien mit anderen internen Vorhaben zu schaffen. Der Austausch mit Kolleg*innen war dabei äußerst positiv und trägt entscheidend dazu bei, gemeinsam unser Ziel zu erreichen.

Die Kombination erneuerbarer Energien mit Speichertechnologien zu einem Hybridsystem ist ein innovatives Forschungsfeld – zumal es in Spanien derzeit noch keine großflächigen kommerziellen Projekte dieser Art gibt. Besonders im Bereich der Steuerung und des Betriebs solcher Mehrkomponentensysteme bestehen zahlreiche technische und wirtschaftliche Herausforderungen, die es zu bewältigen gilt.

Das Endprodukt wird ein vor Ort eingesetztes Energiemanagementsystem sein, das auf firmeneigenen Optimierungsalgorithmen basiert. Es soll Erzeugung, Verbrauch und Speicherung über drei Märkte hinweg – Strom, Gas und Mobilität – in Echtzeit optimieren. Der besondere Mehrwert dieser Lösung liegt in der lokalen Implementierung der Optimierung (also nicht in der Cloud eines Drittanbieters) sowie in der gleichzeitigen, dynamischen Anpassung an verschiedene Energiemärkte.

Die Analyse des Systemverhaltens, das Monitoring zur Erstellung einer Datenbank und die Entwicklung unterschiedlicher Steuerstrategien bieten wertvolle Grundlagen, um die Erkenntnisse aus realen Pilotanlagen künftig auf größere Systeme zu übertragen.