In unserem R&D-Team beschäftigen wir uns überraschend wenig mit Batterien. Das klingt für ein Unternehmen namens Big Ass Battery vielleicht ungewöhnlich, entspricht aber der Realität. Ein großer Teil unserer Zeit fließt heute in Software. In Algorithmen, die lernen, Energie-Assets zu verstehen. In Machine Learning, das Abweichungen erkennt. In KI, die Tausende Parameter gleichzeitig abwägt und eigenständig Entscheidungen trifft. In diesem Blog erklären wir, wie wir KI einsetzen, um unser Energiemanagementsystem kontinuierlich weiterzuentwickeln.
Im Kern macht eine Batterie nur eines: Energie speichern und wieder abgeben. Dieses Prinzip verändert sich kaum, auch wenn Batterien immer leistungsfähiger, kompakter und günstiger werden.
Komplex wird es erst dann, wenn die Batterie Teil eines deutlich größeren Gesamtsystems wird. In einer modernen Unternehmensumgebung muss sie fortlaufend Dutzende Faktoren gleichzeitig berücksichtigen, zum Beispiel:
Das ist keine Herausforderung mehr, die sich allein mit Hardware lösen lässt. Genau hier liegt heute eine der größten R&D-Herausforderungen.
Viele Energiemanagementsysteme arbeiten heute noch mit einem klassischen regelbasierten Ansatz. Im Kern bedeutet das einfache Logik wie:
Das funktioniert gut, solange sich die Realität auch sauber an diese Regeln hält.
Doch Energie ist selten so vorhersehbar. Was passiert, wenn die Wetterprognose für die nächste Stunde eine hohe Solarstromerzeugung ankündigt? Was, wenn der Strompreis gleich negativ wird? Oder wenn drei Elektro-Lkw gleichzeitig zum Standort zurückkehren?
Dann stoßen feste Regeln an ihre Grenzen. Deshalb interpretiert unser Energiemanagementsystem den Kontext selbst und trifft auf dieser Grundlage bessere Entscheidungen.
Auf dem Papier mag eine Batterie mit einer anderen identisch erscheinen, in der Praxis verhält sich jedoch jede Anlage anders. Temperatur, Alter, Nutzungsprofil und Ladezyklen beeinflussen die Leistung.
Deshalb untersuchen wir, wie Machine Learning direkt auf Asset-Ebene eingesetzt werden kann. Über den Load Commander lernt das System, wie sich eine bestimmte Anlage in der Praxis verhält. Nicht nur, welche technischen Spezifikationen sie hat, sondern vor allem, wie sie unter unterschiedlichen Bedingungen tatsächlich arbeitet.
Dieser Ansatz bietet mehrere Vorteile:
Der letzte Punkt befindet sich heute noch in der Forschungsphase, zeigt aber klar, in welche Richtung sich intelligente Energieplattformen entwickeln.
Machine Learning auf einer einzelnen Batterie ist wertvoll, doch ein Unternehmen verfügt selten nur über eine Energiequelle. Die eigentliche Herausforderung entsteht, wenn Dutzende unterschiedliche Assets gleichzeitig zusammenarbeiten müssen.
Deshalb arbeiten wir an einem zentralen KI-Agenten, der kontinuierlich Informationen aus unter anderem folgenden Bereichen zusammenführt:
Das System betrachtet nicht nur einen einzelnen Parameter, sondern versucht, den gesamten Kontext zu verstehen. Anschließend bestimmt es, welche Aktion in diesem Moment den größten Mehrwert liefert.
Das mag nach einem kleinen Unterschied klingen, ist für uns aber grundlegend. Wir wollen uns von Software, die reagiert, hin zu Software entwickeln, die vorausdenkt.
Wenn Menschen an Softwareentwicklung denken, denken sie häufig an Dashboards oder Benutzeroberflächen. In Wirklichkeit fließt ein großer Teil unserer R&D-Arbeit in etwas Grundlegenderes: unterschiedliche Energie-Assets miteinander kommunizieren zu lassen.
Jeder Hersteller arbeitet mit eigenen:
Unser Ziel ist nicht, eine einzelne Batterie intelligenter zu machen, sondern völlig unterschiedliche Systeme als ein integriertes Gesamtsystem zusammenarbeiten zu lassen.
Deshalb spielt der Load Commander eine so wichtige Rolle. Er bildet die Brücke zwischen unterschiedlichen Energie-Assets und dem Energiemanagementsystem, sodass Informationen nicht länger in voneinander getrennten Systemen eingeschlossen bleiben.
Vielleicht ist genau das am Ende die größte Herausforderung. Nicht die KI. Nicht die Cloud. Nicht die Algorithmen. Sondern Einfachheit.
Je intelligenter ein Energiesystem wird, desto weniger sollte der Nutzer davon eigentlich bemerken. Ein Unternehmer möchte nicht Hunderte Parameter verwalten. Er möchte einfach festlegen, was heute wichtig ist:
Die Software sollte anschließend selbstständig die optimalen Entscheidungen treffen. Genau darauf arbeitet unsere R&D letztlich hin. Nicht auf mehr Technologie an der Oberfläche, sondern auf ein System, das die gesamte Komplexität im Hintergrund löst.
Denn genau darin liegt für uns die Zukunft des Energiemanagements: nicht mehr Technologie sichtbar zu machen, sondern dafür zu sorgen, dass man sie kaum noch wahrnehmen muss.