Im Rahmen von EDISON entwickeln und demonstrieren wir KI-gestützte Lösungen für das effiziente Management verteilter Energiespeichersysteme. Wir entwerfen dedizierte Protokolle und Datenmanagementsysteme, die es Batteriespeichern ermöglichen, innerhalb von Virtual-Power-Plant (VPP) Strukturen zu arbeiten. Wir definieren die folgenden zentralen Projektziele:
- Entwicklung einer adaptiven, KI-gestützten VPP-Managementlösung: Wir bauen eine intelligente, interoperable Plattform auf, die verteilte Batteriespeichersysteme in Echtzeit koordiniert. Edge-basierte KI-Algorithmen übernehmen Monitoring und Optimierung lokal, während sichere Kommunikationsprotokolle und standardisierte Schnittstellen die Systemvernetzung gewährleisten. Auf lokaler Ebene erlernen Deep-Reinforcement-Learning (RL) Agenten optimale Lade- und Entladestrategien direkt aus der Interaktion mit der Energieumgebung, wodurch manuell erstellte Steuerungsregeln entfallen. Für die standortübergreifende Koordination setzen wir Multi-Agent RL (MARL) ein, sodass der Agent jedes Standorts kooperative Strategien erlernen kann und dabei lokale Randbedingungen berücksichtigt. Zum Schutz der Datenprivatsphäre integrieren wir Federated Learning (FL) und Federated Distillation (FD), die eine kollektive Modellverbesserung über Standorte hinweg ermöglichen, ohne dass sensible Betriebsdaten übertragen werden müssen. Die Plattform passt sich dynamisch an wechselnde Netzbedingungen und Umgebungsfaktoren an, wobei Shielding-Mechanismen sicherstellen, dass RL-Agenten stets innerhalb sicherer Betriebsgrenzen bleiben.
- Aufbau eines KI-basierten Batterielebenszyklusmanagements: Wir entwickeln intelligente Methoden zur Schätzung des Batteriegesundheitszustands (State of Health, SoH) und der Restnutzungsdauer (Remaining Useful Life, RUL) mithilfe eines selbstadaptiven Ansatzes, der physikbasierte Batteriemodelle mit datengetriebener KI kombiniert. Diese hybriden SoX-Schätzer verfeinern ihre Vorhersagen kontinuierlich mit zunehmenden Betriebsdaten und extrahieren zuverlässige Gesundheitsindikatoren aus Felddaten, ohne störende Vollentladezyklen zu erfordern. FL wird eingesetzt, um Schätzmodelle über verteilte Standorte hinweg zu verbessern und den Wissenstransfer zwischen heterogenen Batteriesystemen zu ermöglichen, während die kommerzielle Vertraulichkeit gewahrt bleibt.
- Ermöglichung einer intelligenten Marktintegration: Wir entwickeln Werkzeuge, die es VPPs ermöglichen, effizient an Energiemärkten teilzunehmen, einschließlich Day-Ahead-, Intraday- und Regelenergiemärkten.
- Systemintegration und Validierung: Wir bauen und testen die vorgeschlagenen Lösungen sowohl durch virtuelle Simulationen als auch durch reale Labordemonstratoren. Eine dedizierte VPP-Simulationsumgebung dient als Testumgebung für die Evaluierung von RL-Algorithmen und FL-Koordinationsprotokollen unter realistischen Netzbedingungen vor dem physischen Einsatz.
Dieses Forschungsprojekt wird durch das Programm „Energieforschung Potenziale nutzen & Zukunft gestalten“ des Klima- und Energiefonds der Republik Österreich finanziert, der vom Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie verwaltet wird (Projektnummer 926774).
