Referenzen
Forschungsprojekt: H2KMU-Ki
Dieses Bild wurde mit Hilfe von DALL·E, einem fortschrittlichen AI-System für Bildgenerierung erstellt. Es illustriert die Vision einer nahtlosen Integration von fortschrittlicher künstlicher Intelligenz mit erneuerbaren Energiequellen.
Projektträger: Energy Solution Nord GmbH (ESN)
Bearbeiter: David Erzmann (Uni Bremen)
Projektleiter: Prof. Dr. Dr. h.c. Peter Maaß (Uni Bremen) Patrick Hansel (ESN)
Projektförderung: Bremer Aufbaubank (BAB), aus Mitteln des Landes; FEI-Förderung der Forschung, Entwicklung und Innovation
Laufzeit: 01.01.2024 – 30.06.2025
Immer mehr Unternehmen, insbesondere die energieintensiven unter Ihnen, suchen nach neuen Wegen Energie zu sparen und die Energieeffizienz zu steigern. Eine Konsequenz ist der vermehrte Ausbau der erneuerbaren Energien. Damit geht jedoch eine volatile Energieerzeugung einher. Da nicht nur die Energieerzeugung, sondern auch der Verbrauch volatil und nicht genau vorhersehbar ist werden Energiespeicher benötigt, damit die Energie bedarfsgerecht zur Verfügung gestellt werden kann.
Dadurch entstehen komplexe Energiesysteme, die entsprechend geregelt und gesteuert werden müssen. Immer dann, wenn auf Basis von großen Datenmengen Prozesse gesteuert oder optimiert werden müssen, lohnt sich der Einsatz von KI zur Automatisierung. Hierdurch kann eine effizientere Speicherung und Nutzung der Energie erzielt werden. Darüber hinaus können auf Basis von komplexen Datenanalysen und Vorhersagealgorithmen Energiekapazitäten für Lastspitzen geschaffen werden.
Ziel dieses ambitionierten Projekts ist deshalb die Entwicklung und Implementierung einer künstlichen Intelligenz (KI) für das Energiemanagement und die Steuerung komplexer Erneuerbarer-Energien-Anlagen in kleinen und mittleren Unternehmen. Diese soll eine effiziente Nutzung und Speicherung von erneuerbaren Energien und grünem Wasserstoff in Solar- und Windenergieanlagen ermöglichen.
Die KI wird durch innovative Algorithmen und fortschrittliche Datenanalysemethoden gesteuert, um anhand von diversen Datenquellen wie Wetterinformationen, Strommarktbedingungen, Maschinenbetrieb- und Erzeugungsdaten sowie Lastprofilen den ökonomisch besten Zeitpunkt für den Betrieb von Elektrolyseuren, Batterien und Brennstoffzellen zu bestimmen. Dadurch wird die Gesamteffizienz des Systems maximiert und ein nachhaltiger Umgang mit grünem Wasserstoff sichergestellt. In enger Zusammenarbeit mit der Universität Bremen, die gemeinsam mit dem Steinbeißzentrum für die Entwicklung dieser KI verantwortlich ist, streben wir danach, wegweisende Technologien im Bereich der KI einzusetzen, um das Energiemanagement in kleinen und mittleren Unternehmen zu revolutionieren.