Grüner Wasserstoff aus Wind und Sonne: Optimierung mit KI 

Strom aus Wind und Photovoltaik sind Kernbestandteil der Energiewende. Doch wie lässt sich aus Überschüssen an sonnigen, windigen Tagen mit optimalem Ertrag grüner Wasserstoff erzeugen? Dieser Frage ging das Mittelstand-Digital Zentrum Klima.Neutral.Digital gemeinsam mit der Firma W-I-N-D Energien GmbH aus Kirchheim/Teck nach – und zwar mithilfe von KI-Methoden des Reinforcement Learnings. 

Das Unternehmen betreibt in Baden-Württemberg mehrere Photovoltaik- und Windenergieanlagen. Außerdem will es weitere bauen und einen Elektrolyseur anschaffen, um aus Stromüberschüssen grünen Wasserstoff zu erzeugen. Für eine bestmögliche Kosten-/Nutzenrechnung bat W-I-N-D das Team vom Mittelstand-Digital Zentrum Klima.Neutral.Digital um Unterstützung. „Das Wichtige war erst einmal, die Stammdaten zu diskutieren“, schildert Dr. Frank Sehnke vom Klima.Neutral.Digital-Partner ZSW – Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg, der das Projekt betreute. Dabei galt es zu klären, welche Mengen an installierter PV- und Windleistung existieren und geplant sind und in welchem Format die Daten dieser Anlagen bereitgestellt werden. Diese Daten musste das Team vereinheitlichen, um sie in einem großen Datensatz zusammenzuführen. „Das ist auch der mühsame Teil der Arbeit“, so Sehnke. 

Drei Szenarien im Fokus 

Mit dem Datensatz konnte man dann verschiedene Szenarien durchrechnen, um die wichtigste Frage von W-I-N-D beantworten zu können: Bei welcher Größe von Elektrolyseur würde man welche Volllaststunden erhalten? 

Die drei angenommenen Szenarien waren 

a) der Status quo, 

b) das geplante Ausbauziel von W-I-N-D sowie 

c) – als wichtigster Ansatz – ein mittels KI optimierter Ausbauplan, bei dem das Konzept bestmöglich aufgeht, aus überflüssigem Strom aus Wind und Sonne grünen Wasserstoff zu erzeugen. 

Reinforcement Learning als Methode 

Um dieses Optimierungsproblem zu lösen, setzte Sehnke die KI-Methode des Reinforcement Learning (dt. bestärkendes Lernen). „Wir haben mit einem Reinforcement Learner, der sich dafür besonders eignet, die freien Parameter bestimmen lassen“, so Sehnke. Zu diesen Parametern zählten der Ausbau von Wind und PV an verschiedenen Standorten in Baden-Württemberg sowie die Größe des Elektrolyseurs. Ziel war es, zum günstigsten Wasserstoffpreis bzw. zur höchsten Volllaststundenzahl des Elektrolyseurs zu kommen. 

Die größte Herausforderung lag dabei weniger in der Methodik als in der Datenaufbereitung. „Wir sagen immer, die 80-20-Regel ist auch in diesem Fall gut“, so Sehnke. „80 Prozent dafür, zuschauen, dass die Daten gut sind und dass man wirklich alle Informationen erhalten hat, die es gibt. Und 20 Prozent für das eigentliche Machine Learning“. Davon, wie weit ein Unternehmen bereits digitalisiert sei, welche Daten bereits vorlägen, hänge die gesamte Dauer eines solchen Projekts ab. 

Ergebnisse als Entscheidungsgrundlage 

Die Ergebnisse des zweimonatigen Projekts flossen in die Entscheidungsfindung bei W-I-N-D ein. „Die Zahlen, die wir geliefert haben, haben wahrscheinlich gezeigt, dass es ökonomisch sinnvoller ist, den Strom zunächst bedarfsgerecht einzuspeisen und nur das, was übrigbleibt, in Wasserstoff umzuwandeln“, vermutet Sehnke. 

Fazit: Daten sind Gold wert 

Für Sehnke zeigt dieses Projekt einmal mehr, wie bedeutsam Daten heute sind, auch um sein Unternehmen strategisch auszurichten. Sein Tipp daher: „Am besten immer alles schön aufzeichnen, was man an Daten generiert. Die sind unglaublich wertvoll.“ Allein die Digitalisierung und Visualisierung der Daten sei oft die halbe Miete. „Wenn man dann damit noch Machine Learning macht, ist das eigentlich bloß noch das Häubchen auf der Sahnetorte“, um zu hilfreichen Erkenntnissen zu gelangen – wie im Fall W-I-N-D.

Haben Sie Fragen zum Projekt oder möchten Sie selbst ein Digitalisierungsprojekt starten? Dann schreiben Sie uns!