Das vom Bundesforschungsministerium geförderte Vorhaben entwickelt ein selbstadaptives Managementsystem für das Laden von E-Fahrzeugen. Dazu analysiert es Energiebedarf und zulässige Ladedauer für die einzelnen Fahrzeuge und optimiert so den Einsatz der vorhandenen Ladeinfrastruktur.
Dieser Regelvorgang wird durch künstliche Intelligenz (KI) unterstützt. Ausgangspunkt im Projekt SALM ist die Zunahme an Elektrofahrzeugen und damit der Ausbau der Ladestationen in bestehenden Netzen. Dies bedeutet nicht nur die Bereitstellung elektrischer Energie, die Errichtung von Ladesäulen aller Art und die Weiterentwicklung von Elektrofahrzeugen, sondern es bedeutet auch, dass die Netzinfrastruktur verbessert werden muss.
Unterschiedliche Bedürfnisse
Die E-Mobilität hier stellt mit ihrem schwankenden Ladeverhalten und ihren hohen elektrischen Leistungen neue Anforderungen. Während manche Fahrer ihr Elektrofahrzeug schnell und mit hoher Leistung laden müssen, haben andere mehr Zeit, benötigen dafür aber beispielsweise eine höhere Energie für eine längere Strecke.
Hier setzt das Projekt SALM an. Ziel ist es, durch Einsatz künstlicher Intelligenz die einzelnen Ladevorgänge so zu regeln, dass das Gesamtsystem bestehend aus Netz, Ladesäulen und Elektrofahrzeugen intelligent betrieben wird. Im Kern bestimmt die Regeleinheit, mit welcher Ladeleistung die Batterien der einzelnen Fahrzeuge am besten geladen werden.
Georg Schmitt, Vertreter des Konsortialführers Flavia-IT ist überzeugt: „Mit dieser Lösung können sowohl die Betreiber privater Industrienetze als auch die öffentlichen Verteilnetzbetreiber ihre Kosten für den Ausbau der Netze durch effiziente Ausnutzung der Netzkapazitäten begrenzen.“
Digitaler Zwilling soll Regelvorgang optimieren
Dazu wird ein „Digitaler Zwilling“ erstellt, der das Verhalten der Ladestationen nachbildet und es ermöglicht, diesen Regelvorgang zu optimieren. Im Ergebnis wird ein adaptiv lernendes System nach dem LCS-Prinzip (Learning Classifier Systems) entwickelt. Dieses kann sich weitgehend autonom an neue Situationen anpassen und gezielt gesammeltes Wissen über die Ladeverläufe an realen Ladestationen mit wählbaren Zielparametern kombinieren.
Prof. Bernhard Sick, Leiter des Fachgebiets Intelligente Eingebettete Systeme an der Universität Kassel freut sich über die Bewilligung: „Im Projekt SALM werden reale Situationen simuliert, um so effektiv und effizient die Optimierung von Ladestrategien zu untersuchen. Die Ladeinfrastruktur mit künstlicher Intelligenz zu optimieren, ist ein wichtiger Beitrag hin zu klimaschonender Mobilität.“
CO2-Fußabdruck reduzieren
Ein wesentliches Merkmal von SALM ist, dass die Qualitätsziele individuell mit Blick auf die Bedürfnisse des einzelnen Betreibers festgelegt werden können. Beispiele für Qualitätsziele sind die Erreichung einer möglichst kurzen Ladedauer oder die Verwendung von Strom mit einem möglichst geringen CO2-Fußabdruck.
Auch die Anzahl der Fahrzeuge, die in einem bestimmten Zeitintervall mit der bestehenden Infrastruktur entsprechend ihren Wünschen bedient werden können, ist ein Qualitätsziel. Die Bewertung jedes einzelnen Ladevorganges ermöglicht es dem Betreiber, zu beurteilen, ob mehr Ladestationen erforderlich sind und welche Anforderung an das versorgende elektrische Netz gestellt werden. Im Zuge des Projekts wird eine vorhandene Software weiterentwickelt und vor allem um eine umfangreiche Visualisierung der Qualitätskennzahlen erweitert. Darauf aufbauend werden die Vorteile einer Selbstoptimierung durch Einsatz von KI erforscht.
Auch Prof. Peter Birkner, Geschäftsführer des House of Energy lobt das Projekt: „Hier wird eindrücklich gezeigt, wie innovative Automationstechnik in Kombination mit Infrastrukturausbau die Energiewende effizient, effektiv und kostengünstig voranbringt.“ (sg)
