Die Energiewende stellt die Stromnetze in Deutschland vor enorme Herausforderungen. W盲hrend fr眉her elektrische Energie 眉berwiegend zentral in gro脽en Kraftwerken erzeugt und 眉ber klar definierte Strukturen verteilt wurde, speisen heute Millionen dezentraler Anlagen 鈥� von Photovoltaik-Dachanlagen 眉ber Windparks bis hin zu Batteriespeichern 鈥� Strom in die Verteilnetze ein. Gleichzeitig w盲chst zunehmend die Zahl neuer Verbraucher wie W盲rmepumpen und Ladeinfrastrukturen f眉r Elektrofahrzeuge. Damit ver盲ndern sich Lastfl眉sse und Netzzust盲nde deutlich dynamischer als in der Vergangenheit. Vor diesem Hintergrund entwickelt das DBU gef枚rderte Start-up digitale L枚sungen, die Netzbetreiber bei der 脺berwachung und Steuerung ihrer Verteilnetze unterst眉tzen und damit einen wichtigen Beitrag zur Energiewende leisten.
Ein zentrales Problem der Energiewende liegt in den mehr als 800 regionalen Stromverteilnetzen Deutschlands. Dort entstehen durch die zunehmende Einspeisung erneuerbarer Energien sowie durch neue elektrische Verbraucher komplexe und schwer vorhersehbare Netzsituationen. F眉r einen sicheren und effizienten Netzbetrieb m眉ssen Netzbetreiber jederzeit wissen, welche Spannungen, Str枚me und Leistungen an den einzelnen Netzpunkten auftreten. Diese sogenannte Netzzustandssch盲tzung bildet die Grundlage f眉r die 脺berwachung, Regelung und langfristige Planung von Stromnetzen.
In der Praxis fehlt jedoch h盲ufig die notwendige Datengrundlage. Eine fl盲chendeckende Ausstattung aller Netzpunkte mit Messtechnik w盲re technisch m枚glich, aber wirtschaftlich kaum realisierbar. Viele Verteilnetze verf眉gen daher nur 眉ber wenige Messstellen, wodurch kritische Netzsituationen oft erst sp盲t erkannt werden k枚nnen. Die Folge sind Unsicherheiten bei der Integration erneuerbarer Energien und ein erh枚hter Bedarf an kostenintensivem Netzausbau.
Genau an diesem Punkt setzt gridhound an. Das Unternehmen ist als Deep-Tech-Spin-off aus dem E.ON Energy Research Center der RWTH Aachen hervorgegangen und hat sich auf KI-basierte Softwarel枚sungen f眉r Stromverteilnetze spezialisiert. Kern der Technologie ist die Plattform 鈥濭raice鈥� (Grid Artificial Intelligence Computing Engine), die mithilfe von Verfahren der K眉nstlichen Intelligenz das Verhalten eines Stromnetzes erlernt. Auf Basis weniger vorhandener Messdaten kann das System anschlie脽end die elektrischen Zust盲nde an vielen weiteren Netzpunkten zuverl盲ssig sch盲tzen.
Im Gegensatz zu klassischen Verfahren der Netzzustandsermittlung ben枚tigt die L枚sung deutlich weniger Sensorik. Die KI analysiert historische und aktuelle Netzdaten, erkennt Zusammenh盲nge und erstellt daraus ein digitales Abbild des Verteilnetzes. Netzbetreiber erhalten dadurch nahezu in Echtzeit Informationen 眉ber Spannungen, Stromst盲rken, Leistungen und potenzielle Engp盲sse. Dies verbessert die Transparenz im Netz erheblich und schafft die Grundlage f眉r datengetriebene Entscheidungen im Netzbetrieb.
Mit seiner entwickelten Technologie tr盲gt das Start-Up einen wertvollen Beitrag zur Energiewende bei. Durch eine pr盲zisere Kenntnis der tats盲chlichen Netzsituation k枚nnen vorhandene Kapazit盲ten besser ausgesch枚pft werden. Netzbetreiber erhalten die M枚glichkeit, Engp盲sse fr眉hzeitig zu erkennen, Lasten gezielt zu steuern und den Bedarf f眉r kostspielige Netzausbauma脽nahmen zu reduzieren.
Gleichzeitig erleichtert die verbesserte Transparenz die Integration erneuerbarer Energien. Wenn Netzbetreiber genauer wissen, welche Reserven im Netz vorhanden sind, k枚nnen zus盲tzliche Photovoltaik- oder Windenergieanlagen schneller und sicherer eingebunden werden. Auch Batteriespeicher, Ladeinfrastrukturen und W盲rmepumpen lassen sich besser in den Netzbetrieb integrieren. Dies tr盲gt dazu bei, fossile Energietr盲ger zu ersetzen und Treibhausgasemissionen langfristig zu senken.
Im Rahmen der DBU-F枚rderinitiative Speicher und Netze f眉hrte das Unternehmen zudem das Projekt 鈥濳滨-叠补迟迟别谤测鈥� durch. Hier wurde untersucht, wie station盲re Batteriespeicher in die KI-gest眉tzte Netzzustandsermittlung integriert werden k枚nnen. Batteriespeicher gewinnen f眉r die Energiewende zunehmend an Bedeutung, da sie 眉bersch眉ssigen Strom aus erneuerbaren Energien aufnehmen und zeitversetzt wieder bereitstellen k枚nnen. Durch ihre Einbindung in digitale Netzmodelle sollen Netzbetreiber k眉nftig noch pr盲zisere Informationen 眉ber den Zustand ihrer Netze erhalten und Speichersysteme gezielter f眉r netzdienliche Aufgaben einsetzen k枚nnen.
Das Beispiel gridhound zeigt anschaulich, wie Digitalisierung die vermehrte Nutzung erneuerbarer Energie erm枚glichen kann. Die intelligente Nutzung von Daten erm枚glicht nicht nur effizientere Prozesse, sondern schafft auch die Voraussetzungen f眉r ein resilientes und klimafreundliches Energiesystem.
Zum Start-Up: