Im Projekt KI-M-Bat wurde eine auf Reinforcement Learning basierende Regelungsstrategie entwickelt und erfolgreich in einem realen Batteriespeicher eingesetzt.
Im Rahmen des Forschungsprojekts KI-M-Bat hat die Forschungsgruppe Smart Energy Systems der Hochschule für angewandte Wissenschaften Kempten erfolgreich eine auf Reinforcement Learning (RL) basierende Regelung zur optimalen Leistungsverteilung auf einem Multi-String Industry-Batteriespeicher von FENECON umgesetzt.
Der RL-Agent wurde mit einem vollständig datengetriebenen digitalen Zwilling eines Batteriesystems trainiert, der vom Lehrstuhl für Elektrische Energiespeicher der Technischen Universität München entwickelt wurde. Dadurch konnte der Agent unter realitätsnahen Bedingungen trainiert werden, bevor er auf dem realen Batteriespeicher zum Einsatz kam.
Die Interaktion des RL-Agenten mit dem industriellen Batteriespeicher erfolgt über OpenEMS und ermöglicht damit eine nahtlose Integration in eine reale Betriebsumgebung.
Der entwickelte RL-Ansatz zielt darauf ab, die Round-Trip-Effizienz des Batteriespeichers während des Echtzeitbetriebs zu optimieren. Im Vergleich zur bestehenden industriellen „Near2Equal“-Droop-Control-Strategie konnte dabei eine Verbesserung der Effizienz von bis zu drei Prozent erreicht werden. Die Ergebnisse zeigen das Potenzial von Reinforcement Learning für einen intelligenteren und effizienteren Betrieb von Multi-String-Batteriespeichern.
Die erfolgreiche Umsetzung erfolgte in enger Zusammenarbeit mit unseren Industriepartnern FENECON und STABL Energy, Prof. Dr. Holger Hesse sowie den beteiligten Forschenden Vivek Teja Tanjavooru, Martin Cornejo und Dr. Prashant Pant.
Unser besonderer Dank gilt der Bayerischen Forschungsstiftung (BFS), die dieses Forschungsvorhaben im Rahmen des geförderten Projekts KI-M-Bat ermöglicht.