KI-basierte Standortauswahl und Betriebsoptimierung von Großbatteriespeichern zur Sicherstellung der Netzstabilität und potenziellen Reduktion des Netzausbaubedarfs (smartBattery)
Das Projekt smartBattery entwickelt eine KI-basierte Methode zur optimierten Standortwahl und Betriebsführung von Großbatteriespeichern, um die Netzstabilität und Integration erneuerbarer Energien zu fördern und so potenziell auch den Netzausbaubedarf zu verringern.
Im Projekt werden sowohl die Herausforderungen der Stromnetzbetreiber als auch der Betreiber von Großbatteriespeichern adressiert. Netzbetreiber können aufgrund von Netzlimitationen und dem daraus resultierenden Netzausbaubedarf die Vielzahl an Netzanschlussanfragen für Großbatteriespeicher nicht zeitnah umsetzen. Da der Betrieb der Großbatteriespeicher nur markt- und ggf. systemdienlich erfolgt, muss beim Netzanschlussgesuch mit hohen Sicherheitsaufschlägen gerechnet werden. Die Speicherprojektierer und -betreiber auf der anderen Seite haben ein großes Interesse, ihre Anlagen möglichst schnell und kostengünstig ans Netz zu bringen. Ihre Herausforderung besteht zudem in der Identifikation geeigneter Standorte bzw. Netzanschlusskapazitäten.
Zielsetzung
Ziel des Projekts ist es, diese Diskrepranz aufzulösen. Durch die aktive Ausweisung von netzdienlichen oder netzneutralen Standorten durch den Netzbetreiber kann beiden Seiten Planungssicherheit geboten werden. Die Berücksichtigung von Betriebsvorgaben ermöglicht es flexiblen Großbatteriespeichern neben der Vermarktung an bisherigen Märkten (insb. Spotmarkt und Regelenergie) auch den lokalen Netzzustand berücksichtigen.
Vorgehensweise
Der angestrebte Lösungsansatz liegt in einer akteursneutralen, transparenten Bewertungsmethodik, die alle beteiligten Interessen abbildet. In der smartBattery Toolbox werden durch datengetriebene Methoden auf Basis der bereitgestellten Eingangsdaten und Randbedingungen aus Perspektive der Netzbetreiber und Speicherbetreiber verschiedene Betriebsszenarien simuliert, optimiert und bewertet. Durch den Einsatz von maschinellem Lernen und Optimierungsmodellen werden geeignete Standorte festgelegt. Zudem erfolgt eine optimierte Speicherdimensionierung und die Definition von Betriebsvorgaben.
Bei gleichzeitiger Berücksichtigung der Netzrestriktionen und Erlöspotenziale kann so ein wesentlicher Beitrag für die Integration erneuerbarer Energien und die effiziente Nutzung der Netzinfrastruktur geleistet werden. Dieser innovative Ansatz bietet so einen relevanten Mehrwert für Speicherbetreiber und Netzbetreiber, aber auch Volkswirtschaft, Ökologie, Versorgungssicherheit und Klimaschutz.
