SmartB4P | Smarte Batteriesteuerung für die Produktion

Energieflexibilität in der Produktion mittels Batteriespeicher

Die steigenden Strompreise in Deutschland belasten die internationale Wettbewerbsfähigkeit der deutschen Industrie. Neben den Arbeitspreisen sind dabei insbesondere auch die Kosten für Lastspitzen sehr hoch. Gleichzeitig bietet sich für Unternehmen durch den Bau von Eigenerzeugungsanlagen wie Beispielsweise Photovoltaik die Möglichkeit, grünen Strom mit deutlichen Kostenvorteilen selbst zu generieren, wobei die Erzeugungsleistung jedoch stark wetterabhängig ist. In diesem Kontext kann durch die Nutzung von Batteriespeicher der Eigenverbrauch erhöht und kostspielige Lastspitzen vermieden werden. Im Produktionsumfeld müssen diese Batterien dabei in Abhängigkeit von externen Randbedingungen wie dem Wetter und dem schwankenden Energiebedarf möglichst optimal gesteuert werden, um auf diese Weise einen maximalen Nutzen zu erzielen.

Smarte Batteriesteuerung

Das vorliegende Forschungsvorhaben befasst sich mit der Erforschung einer neuartigen Betriebsstrategie von Batteriespeichern für den Einsatz bei produzierenden Unternehmen, die das Laden bzw. Entladen situativ und unter Berücksichtig der Batteriealterung sowie der sich dynamisch ändernden Randbedingungen wie Wetter oder Produktionsauslastung prädiktiv steuert. Das System soll den Stromeigenverbrauch an Produktionsstandorten mit unternehmenseigenen regenerativen Stromerzeugungsanlagen erhöhen sowie kostspielige Lastspitzen verhindern und auf diese Weise die Stromkosten nachhaltig reduzieren. Um trotz der zahlreichen stochastischen Einflussfaktoren eine möglichst optimale Betriebsstrategie abzuleiten, wird dabei auf Methoden der Künstlichen Intelligenz und des Maschinellen Lernens, insbesondere bestärkende Lernverfahren (engl. Reinforcement Learning) zurückgegriffen. Zudem sollen temporär abschaltbare Verbraucher der Produktion in die Betriebsstrategie der Batterie integriert werden, um dadurch ein optimales Lastmanagement zu betreiben.

SmartB4P

Im ersten Schritt erfolgt in Kooperation mit allen beteiligten Partner eine fundierte Anforderungsanalyse und Konzeptionierung, von der Speichertechnologie über die PV-Prognose bis hin zur Einbindung der Produktions-IT. Darauf aufbauend kann die Informationstechnische Vernetzung aller relevanten Komponenten und Systeme erfolgen, sowie eine Erzeugungs- und Verbrauchsprognose basierend auf statistischen Modellen und Maschinellem Lernen entwickelt werden. Um die zyklenabhängige Alterung von Batteriespeichern in der Betriebsstrategie berücksichtigen zu können, wird der Energiespeicher detailliert modelliert. Zur Steigerung des Lastverschiebungspotenzials werden darüber hinaus auch produktionsinhärente Speicher identifiziert und abgebildet. Für die Entwicklung der eigentlichen Betriebsstrategie werden Methoden der Künstlichen Intelligenz, insbesondere Reinforcement Learning verwendet. Auf diese Weise soll eine adaptive und reaktive Steuerung erzielt werden, die abschließend bei einem Projektpartner prototypisch implementiert und validiert wird.

Zusammenarbeit

Wir finden gerne eine individuelle Lösung für Ihr Anliegen.

Branchenlösungen

Die Schlüsselbranchen des Fraunhofer IGCV:

  • Maschinen- und Anlagenbau
  • Luft- und Raumfahrt
  • Automotive und Nutzfahrzeuge

Kompetenzen

Wir gestalten den Weg in die Zukunft des effizienten Engineerings, der vernetzten Produktion und der intelligenten Multimateriallösungen.

Referenzprojekte

Zur Übersicht der Referenzprojekten am Fraunhofer IGCV.