KI‑optimiertes Multi‑Resolution‑Framework schließt Energiesystem‑Leistungslücken

Die Planung verlässlicher, integrierter Energiesysteme für industrielle Prozesse erfordert Optimierungs‑ und Verifikationsmodelle in mehreren Auflösungen – von der architektonischen Größenbestimmung bis hin zu hochpräzisen dynamischen Betriebssimulationen. Unterschiedliche Modellauflösungen verbergen jedoch die Ursachen von Leistungsverlusten und erschweren die Quantifizierung von Lücken zwischen Architektur und Betrieb.

In einer neuen Studie wird ein Online‑Framework vorgestellt, das maschinelles Lernen nutzt, um die erreichbare Leistungsgrenze einer konkreten Systemarchitektur zu schätzen und gleichzeitig die Zahl teurer hochauflösender Modellrechnungen zu minimieren. Das Verfahren kombiniert zunächst eine multi‑objective Architekturoptimierung, die die Systemkonfiguration und Komponenten­kapazitäten bestimmt, mit einer ML‑beschleunigten, multi‑resolutionen, receding‑horizon‑Optimierung für die Echtzeitsteuerung.

Der KI‑gestützte Regler passt die Auflösung der Optimierung dynamisch an, basierend auf Vorhersageunsicherheit, und startet hochauflösende Berechnungen mit den besten Low‑Fidelity‑Lösungen. In einem Pilotprojekt, das einen 1 MW‑industriellen Wärmelastbedarf deckt, konnte die Methode die Lücke zwischen Architektur‑ und Betriebsleistung um bis zu 42 % reduzieren – im Vergleich zu einem regelbasierten Steuerungssystem – und gleichzeitig die Anzahl der hochauflösenden Modellrechnungen um 34 % senken.