Mit KI die Lebensdauer von Batteriespeichern verlängern

Das Forschungsprojekt mit dem Titel “Longer” soll die typischen Betriebszustände von Heimspeichern und deren Auswirkungen auf die Batterien genauer abbilden als bestehende Software. Dadurch kann die Nutzung der verfügbaren Batteriekapazität optimiert und gleichzeitig die Batterie geschont werden. Ziel der Projektpartner –VARTA Storage, Fraunhofer-Institut für Solare Energiesysteme, NOVUM engineering und TWT Science & Innovation – ist es, eine längere Batterielebensdauer zu erreichen, den Materialeinsatz zu verringern und die CO2-Emissionen bei geringeren Kosten zu reduzieren.

“Heutige Heimbatteriespeichersysteme absolvieren in der Regel 200 bis 300 vollständige Ladezyklen pro Jahr und werden fast ausschließlich zur Speicherung von Solarstrom verwendet. In Zukunft werden Heimspeicher auch als ‘Stromhändler’ fungieren können, um die Energiekosten weiter zu senken und das Stromnetz aktiv zu entlasten”, sagt Benjamin Achzet, Forschungskoordinator bei VARTA Storage. Dazu sind allerdings Speichersysteme mit höherer Zyklenfestigkeit erforderlich. Das Longer-Forschungsprojekt, das bis Ende 2025 läuft, soll helfen, Speichersysteme auf solche neuen Aufgaben vorzubereiten.

KI zur Modellierung der individuellen Batteriealterung

Wie Batteriespeichersysteme altern, hängt stark von der Anzahl und Tiefe der Ladezyklen ab, aber auch von einer Vielzahl anderer Faktoren, darunter die Lade- und Entladeleistung sowie die Umgebungstemperatur. Da sowohl die Vorgänge innerhalb der Batterie als auch das Nutzerverhalten sehr komplex sind, lässt sich die Alterung mit herkömmlichen Methoden nur schwer abschätzen. Sie muss auf individueller Basis untersucht werden.

Im Rahmen des Longer-Projekts setzt VARTA KI in Verbindung mit maschinellem Lernen ein, um Modelle für das Nutzerverhalten und die Batteriealterung zu entwickeln. Zu diesem Zweck werden Programme auf Feldtestgeräten des VARTA.wall Heimspeichersystems implementiert.

Neue Generation des individualisierten Batteriemanagements

Die KI soll nicht nur Lastprofile in Gebäuden genau analysieren, sondern auch lernen, wie die Batterie in einer bestimmten Situation am besten entladen oder geladen werden sollte, um mit der Zeit effizienter zu arbeiten. “Im Feldversuch lernt die KI selbstständig, wie sich ein bestimmtes Lastprofil auf die Batterie und ihren Zustand auswirkt. Mit der Zeit wird sie in der Lage sein, den Gesundheitszustand vorherzusagen, was dann eine vorausschauende Steuerung ermöglicht”, sagt Jens Haupt, Spezialist für Batteriealterung bei NOVUM Engineering. Ein solches KI-gestütztes Batteriemanagement kann so die Kapazität der Batterie optimal ausnutzen und gleichzeitig ihre Lebensdauer maximieren.

Auch in der Longer-Forschung werden Simulationsmodelle von Speichern eingesetzt, um die KI-basierte Betriebsstrategie effizient und gezielt zu testen und zu validieren. “Effiziente Simulationsmethoden – oder digitale Zwillinge – ermöglichen nicht nur eine Validierung in überschaubaren Zeiträumen, sondern auch das Testen von Grenzszenarien, die im Labor sonst nur mit hohem Aufwand zu realisieren wären”, erklärt Alejandro Cárdenas, Simulationsexperte bei TWT Science & Innovation.

KI findet beste Ladestrategie selbst

Anstatt festen Regeln zu folgen, findet die KI die beste Strategie für jeden Anwendungsfall. “Typische Ertrags- und Verbrauchsmuster sind der KI bereits bekannt und werden durch maschinelles Lernen ständig verfeinert. Auf diese Weise erhält jedes Haus sein eigenes, maßgeschneidertes Energie- und Batteriemanagement. Je nach persönlichen Präferenzen maximiert es den Eigenverbrauch, minimiert den CO2-Ausstoß oder optimiert die Wirtschaftlichkeit”, so Arne Groß, Software-Experte des Fraunhofer ISE.