Projektbeschreibung

Im Projekt KI-M-Bat wird ein modulares Speicherkonzept sowie eine universelle KI-basierte Software-Steuerung für Batteriespeicher im Industrie- und Gewerbemaßstab entwickelt und erprobt. Das Konzept erlaubt einen effizienten und lebensdauer-optimalen Betrieb von Neu- und Gebraucht-Batterien. In der Software wird ein digitales Zwillingsmodell des Batteriesystems aufgebaut und darauf eine Steuerungsstrategie mittels maschinellen Lernens erprobt. Die Algorithmen werden in einem Hardware-Demonstrator validiert und als Open-Source-Code veröffentlicht.

Im Projekt wird ein modular konfigurierbares Batteriespeichersystem für den Einsatz in Gewerbe- und Industriebetrieben entwickelt, welches flexibel mit Neu- und Gebrauchtbatterien betrieben werden kann. Der Systemaufbau ermöglicht zudem eine äußerst hohe Wandlungseffizienz und kann durch eine auf künstlicher Intelligenz (KI)-basierte Software-Steuerung selbstlernend mit anwenderspezifischer Konfiguration und Applikation betrieben werden. Auf der Hardware-Seite soll mittels eines neuartigen Multi-Level-Wechselrichterkonzepts bzw. einer kaskadierten Ansteuerung der Leistungselektronik eine individuelle Ansteuerung und Kombination von Modulen bzw. Automotive-Batterien eines beliebigen Herstellers und Batteriealters ermöglicht werden. Eine mehrstufige Steuerung erlaubt die optimale Bedienung von aktuellen und zukünftig relevanten Anwendungsfällen zur Stabilisierung der Stromnetze. Die adaptive Leistungsaufteilung ermöglicht das Angleichen unterschiedlicher Lade- und Alterungszustände während des Betriebs. Die Ansteuerung des Systems erfolgt durch eine holistische Software-Toolkette: bestehende Software-Lösungen werden durch eine Machine-Learning gestützte Leistungs-Steuerstrategie und einen Digitalen Zwilling zur Abbildung des Batteriesystems ergänzt und gänzlich als "Open Source" für die Verwendung in Industrie und Gewerbe zur Verfügung gestellt. Durch den Aufbau und Feldbetrieb von zwei Demonstrator-Systemen werden die KI-basierten Strategien direkt erprobt und im Benchmark verglichen.

Projektleitung

Prof. Dr. Holger Hesse

holger.hesse[at]hs-kempten.de

Projektdauer

01.03.2023 - 28.02.2026

Projektpartner

Stabl Energy GmbH
FENECON GmbH
Technische Universität München

Projektförderung

Bayerische Forschungsstiftung

Förderprogramm

Bayerische Forschungsstiftung

Addressierte SDGs (Sustainable Development Goals)

Projektbeschreibung

Im Teilprojekt „Statistische und Machine-Learning basierte Methoden zur Alterungsbestimmung" werden zunächst literaturbekanntere Modelle zur Alterung von Batteriezellen um statistische Informationen aus Labordaten erweitert und im Folgenden aus unterschiedlichen Modellansäten in ein Gesamtmodel hybridisiert. Dabei spielt die Abbildung von Modellunsicherheiten und Parameter-Variationen eine zentrale Rolle – methodisch werden neben statistischen Verfahren insbesondere auch Techniken des maschinellen Lernens eingesetzt. Eine anwendungsorientierte Analyse von ökonomischen und ökologischen Parametern in unterschiedlichen Use-Cases sowie eine Simulation des Alterungsverhaltens in Second-Life / Zero-Life Anwendungsfällen auf Basis der entwickelten Alterung-Prognose-Modelle rundet das Teilprojekt ab.

Arbeitspakete mit Beteiligung der HS-Kempten:
Im ersten Arbeitspaket werden zunächst die Anforderungen und Datenschnittstellen festgelegt, sowie geeignete Lastprofile für die folgenden Simulationen ausgewählt.

Das dritte Arbeitspaket dient zur Schaffung einer Basis für die Abschätzung der Lebensdauererwartung. Dabei fokussiert sich das Projektteam der Hochschule Kempten auf die Erweiterung eines literaturbekannten semi-empirischen Alterungsmodells um eine Berücksichtigung der Prognoseunsicherheit. Das Modell wird mit Hilfe vorhandener Labordaten parametriert, die Modellgüte in Abhängigkeit von Eingabedaten bewertet und im Anschluss als Open-Source Code zur Verfügung gestellt.

Im folgenden Arbeitspaket entwickelt der Industriepartner Sonnen ein Machine-Learning basiertes Systemalterungsmodell alleinig auf Basis von Felddaten. Die HS Kempten übernimmt eine Analyse der Prognosegüte. Auf Basis von Nullhypothesentests wird die Ausfallwahrscheinlichkeit von Feldsystemen aufgrund fortschreitender Alterung bewertet.

Im für die HS Kempten zentralen Arbeitspaket werden die verschiedenen Modellierungsansätze in BattLifeBoost auf Systemebene verglichen und zu einem Gesamtmodell zusammengeführt. Zunächst leitet die Hochschule aus dem im AP3 entwickelten Zellalterungsmodell ein Systemalterungsmodell ab. Die die drei zuweilen entwickelten Modelle zur Systemalterung werden in einem Benchmark unter verschiedenen Szenarien verglichen und in einem folgenden Schritt hybridisiert. Das resultierende Gesamtmodell soll unabhängig vom Anwendungsszenario eine bestmögliche Performance ermöglichen. Weiterhin wird eine Übertragung der bestehenden Modellierungsansätze hin zu einer Alterungsbewertung von neuen, noch unzureichend parametrierten Batteriezellen vorgenommen.

Im abschließenden Arbeitspaket übernimmt die Hochschule Kempten eine Bewertung der Alterungsauswirkung bei einer Belastungsänderung während dem Speicherbetrieb, also z.B. eine zusätzliche Bedienung von netzdienlichen Anwendungen zusätzlich zum Heimspeicherbetrieb. Ebenso werden "Second-Life" und "Zero-Life" Konzepte untersucht, also eine vorgelagerte oder nachgelagerte Nutzung von Automotive Batteriepacks in der stationären Anwendung.

Projektleitung

Prof. Dr. Holger Hesse

holger.hesse[at]hs-kempten.de

Projektdauer

01.10.2023 - 30.09.2026

Projektpartner

BMW AG
Sonnen GmbH
Technische Universität München

Projektträger

Foschungszentrum Jülich GmbH

Projektförderung

Bundesministerium für Wirtschaft und Klimaschutz

Förderprogramm

Energieforschungsprogramm der Bundesregierung

Addressierte SDGs (Sustainable Development Goals)

Projektbeschreibung

Im Verbundprojekt „ENABLE – Elektrische Nutzfahrzeuge: Auslegung, Betrieb, Ladeinfrastruktur und Energieversorgung“ wird die ganzheitliche, technisch und ökonomisch optimierte Elektrifizierung von Nutzfahrzeugflotten in Logistik- und Busunternehmen untersucht. Vor dem Hintergrund der Dekarbonisierung des Verkehrssektors stehen Unternehmen vor der Herausforderung, E-LKW- und E-Bus-Flotten nicht nur fahrzeugseitig, sondern auch infrastrukturell, energiewirtschaftlich und betrieblich zuverlässig auszulegen. Besonders relevant sind dabei Ladeinfrastruktur, Depot-Lastmanagement, Photovoltaik-Integration, stationäre Batteriespeicher, dynamische Stromtarife, Netzrestriktionen, Batteriealterung sowie mögliche Vehicle-to-Grid-Anwendungen. Die Projektskizze hebt hervor, dass Unternehmen hierfür nachvollziehbare Entscheidungshilfen benötigen, insbesondere für Energieverbrauch, Wirtschaftlichkeit, Ladeinfrastrukturplanung, Netzintegration, Unsicherheiten und datenbasierte Optimierung.

Ziel des Forschungsprojekts ENABLE ist die Entwicklung wissenschaftlich fundierter, länderübergreifend einsetzbarer Simulations- und Optimierungstools, die Bus- und Logistikunternehmen bei der Auslegung und dem Betrieb elektrischer Nutzfahrzeugflotten unterstützen. Die Tools sollen reale Monitoringdaten, technische Fahrzeug- und Ladeinfrastrukturmodelle, energiewirtschaftliche Rahmenbedingungen sowie Unsicherheiten in Last-, Erzeugungs-, Verbrauchs- und Verfügbarkeitsprognosen berücksichtigen. Im Ergebnis entstehen Open-Source-Entscheidungshilfen für die Planung von Flotten, Ladepunkten, PV-Anlagen, stationären Batteriespeichern und Betriebsstrategien. Das Projekt sieht zudem die Validierung der modellbasierten Entscheidungen anhand realitätsnaher Simulationen und Praxisfälle bei Unternehmenspartnern vor.

Das Teilprojekt der Hochschule Kempten baut auf den Vorarbeiten in den Bereichen energiewirtschaftliche Optimierung, Batteriespeichersysteme, Batteriealterung, stochastische Optimierung und Reinforcement Learning auf. Im Mittelpunkt steht die Entwicklung robuster Optimierungs- und Steuerungsverfahren für das Flottenladen unter unsicheren Randbedingungen. Hierzu werden Modelle für PV-Erzeugung, Grundlasten, dynamische Stromtarife, stationäre Speicher, Ladeinfrastruktur, Fahrzeugverfügbarkeit und Batteriealterung gekoppelt. Die Hochschule Kempten entwickelt insbesondere energiewirtschaftliche Optimierungsmodelle unter Berücksichtigung von Unsicherheiten und verwendet dafür Stakeholder-spezifische Batteriemodelle, stochastische Optimierung und Reinforcement Learning.

Im Projekt werden zunächst die relevanten Anwendungsfälle, Datenquellen und Systemgrenzen gemeinsam mit den Unternehmenspartnern und assoziierten Partnern definiert. Dazu gehören Fahrpläne, Tourenprofile, Energieverbräuche, Ladezustände, Ladeinfrastruktur, PV-Erzeugung, stationäre Speicher, betriebliche Grundlasten, Tarifmodelle, Netzanschlussbedingungen und regionale regulatorische Rahmenbedingungen. Anschließend werden physikalische und datengetriebene Modelle parametriert und in eine Gesamtsimulation überführt. Für die mathematische Optimierung wird ein rechenbares approximiertes Modell verwendet, dessen Ergebnisse in einer realitätsnahen Simulation validiert werden. Die Projektskizze beschreibt diesen Ansatz als Kopplung von Realität, Simulation und Optimierung, wobei Messdaten aus dem realen System in physikalische Simulationen und mathematische Optimierungsmodelle einfließen.

Methodisch werden unter anderem lineare und gemischt-ganzzahlige Optimierung, Model Predictive Control, stochastische Optimierung, Reinforcement Learning (RL) und Multi-Agent Reinforcement Learning (MARL) eingesetzt. Die Hochschule Kempten untersucht dabei insbesondere robuste Ladeplanung, Echtzeit-Dispatch, koordinierte Ladeentscheidungen mehrerer Fahrzeuge, hybride Ansätze aus klassischer Optimierung und Reinforcement Learning sowie den Einfluss von Batteriealterung und dynamischen Energiepreisen auf die Betriebsführung. Als Forschungsfragen stehen unter anderem im Vordergrund, wie Ladepläne mit erneuerbarer Energie, dynamischer Bepreisung und Batteriealterung optimiert werden können, wie RL und MARL zur Koordination des Flottenladens beitragen und wie RL-basierte Ansätze gegenüber stochastischer Optimierung unter realen Unsicherheiten abschneiden.

Die entwickelten Steuer- und Optimierungsstrategien werden in Praxisfällen bei Projekt- und assoziierten Unternehmenspartnern getestet, validiert und weiterentwickelt. Die Ergebnisse sollen typische Use Cases für Logistik- und Busunternehmen abbilden und als dokumentierte Open-Source-Tools veröffentlicht werden. Damit leistet ENABLE einen Beitrag zur skalierbaren, wirtschaftlichen und netzverträglichen Elektrifizierung von Nutzfahrzeugflotten und unterstützt gleichzeitig Wissenstransfer, wissenschaftliche Publikationen sowie die Weiterverwendung der Ergebnisse durch Energieagenturen, technische Büros, Beratungsunternehmen und Flottenbetreiber.

Projektleitung

Prof. Dr. Holger Hesse

holger.hesse[at]hs-kempten.de

Projektdauer

01.03.2026 - 28.02.2029

Projektpartner

Hochschule Ravensburg-Weingarten
Fachhochschule Nordwestschweiz
Verkehrsbetriebe Zürich
Energieagentur St. Gallen GmbH
Fachhochschule Vorarlberg GmbH
Haslach Bus
Gebrüder Weiss Gesellschaft m.b.H.
Energieinstitut Vorarlberg
Energie- und Umweltzentrum Allgäu gemeinnützige GmbH

Projektträger

Regierungspräsidium Tübingen

Projektförderung

Europäischer Fonds für regionale Entwicklung

Förderprogramm

INTERREG VI-A Programm Alpenrhein-Bodensee-Hochrhein 2021-2027

Addressierte SDGs (Sustainable Development Goals)