Steuerung von Kälteversorgungsanlagen mit künstlicher Intelligenz

„Je komplexer ein System, desto größer das Einsparpotenzial durch KI“

Das Start-up etalytics hat einen KI-Agenten entwickelt, mit dem sich industrielle Kälteversorgungsanlagen steuern lassen. Im Interview erzählt Dr.-Ing. Heiko Ranzau, Leiter Produkt- und Innovationsmanagement bei etalytics, wie die Software funktioniert, welche Effizienzgewinne sich damit erzielen lassen – und womit ihn der Agent am meisten verblüfft hat.

Herr Dr. Ranzau, warum sollte ein Industrieunternehmen seine Kälteversorgungsanlagen durch Künstliche Intelligenz (KI) steuern lassen?

Weil es dadurch seine Energieeffizienz deutlich steigern und seine Betriebskosten zugleich erheblich reduzieren kann.

Können Sie eine Größenordnung nennen, in der sich diese Einsparungen bei den Betriebskosten bewegen?

Wir sind mit unserer KI-Lösung seit sechs Jahren am Markt und betreuen inzwischen diverse namhafte Kunden aus der Industrie- und Rechenzentrumsbranche. Die Einsparungen liegen dabei je nach Unternehmen zwischen zehn und 50 Prozent.

Wie lässt sich diese große Spannbreite erklären?

Wie hoch die Kostenersparnis ist, hängt sehr stark vom jeweiligen System ab. Also davon, wie komplex es ist, wie stark wir in Absprache mit dem Kunden schalten dürfen – und natürlich auch davon, wie gut das System vorher bereits gesteuert wurde.

Wie haben Sie Ihre KI-Lösung entwickelt?

Entstanden ist die Lösung vor allem in der ständigen Weiterentwicklung in unseren Kundenprojekten. Sehr geholfen hat uns dabei zusätzlich die Mitarbeit in verschiedenen geförderten Forschungsprojekten, unter anderem im  Projekt EISKIG, das vom Bundesministerium für Wirtschaft und Energie gefördert wurde und inzwischen abgeschlossen ist. Denn das gab uns die Möglichkeit, KI-basierte Verfahren, mit denen sich die Betriebsstrategien großer Kälteversorgungsanlagen analysieren und optimieren lassen, an weiteren realen Anlagen zu erproben.

Mit welchen Unternehmen haben Sie die Lösung im EISKIG-Projekt erprobt?

Mit dem Chemie- und Pharmakonzern Merck, dem Unternehmen für Antriebs- und Steuerungstechnik Bosch Rexroth und mit Equinix, einem US-amerikanischen Anbieter von Rechenzentren und digitalen Dienstleistungen – also alles Unternehmen aus energieintensiven Branchen.

Welches Einsparziel haben Sie im Rahmen von EISKIG verfolgt?

Unser Ziel war es, bei allen drei Projektpartnern mindestens 15 Prozent Energie einzusparen. Bei Merck und Equinix haben wir im Langzeitbetrieb 21 bzw. mindestens 20 Prozent Energieeinsparungen nachweisen können. Bei Bosch Rexroth steht der Langzeitnachweis noch aus. Diese Zahlen beziehen sich allerdings nicht auf den gesamten Standortverbrauch der Unternehmen, sondern auf die Systeme, auf die wir Zugriff hatten und die wir dann optimieren konnten.

Wie sind Sie dabei konkret vorgegangen?

Grundsätzlich gibt es zwei KI-Ansätze, um die Steuerung von Versorgungssystemen zu optimieren: Reinforcement Learning und mathematische Optimierung. Diese beiden Ansätze haben wir schon bei der Gründung von etalytics verglichen und uns mit Blick auf eine spätere Kommerzialisierung für die mathematische Optimierung entschieden. Im Forschungsprojekt EISKIG wurden sie dann noch einmal an realen Systemen verglichen: Die TU Darmstadt hat Reinforcement Learning eingesetzt, wir unsere mathematische Optimierung.

Können Sie Ihren Ansatz näher erläutern?

Bei der mathematischen Optimierung arbeiten wir mit einem digitalen Zwilling des Versorgungssystems. Dieser basiert auf physikalischen Gleichungen und bildet die einzelnen Komponenten des realen Systems digital ab. Auf unserer Plattform sind diese Komponenten mit den jeweils verfügbaren Betriebs- und Messdaten verknüpft. Klicke ich dort beispielsweise auf den Kühlturm einer Anlage, kann ich sowohl die aktuellen Messwerte als auch deren zeitliche Entwicklung einsehen. Auf dieser Grundlage berechnet der digitale Zwilling fortlaufend, wie das Versorgungssystem möglichst effizient betrieben werden kann. Dabei wird immer wieder neu ermittelt, welche Steuerungssignale für die jeweils nächsten Zeitschritte optimal sind. So lässt sich die Steuerung kontinuierlich an den aktuellen Zustand des Systems anpassen.

Was unterscheidet den Ansatz der mathematischen Optimierung von dem des Reinforcement Learning?

Beim Reinforcement Learning sind große neuronale Netze involviert. Um die gut zu trainieren, braucht man enorm viele Daten oder ein sehr, sehr realistisches Modell. Bei der mathematischen Optimierung hingegen lassen sich die digitalen Zwillinge mit nur wenigen Daten so kalibrieren, dass sie sich sehr ähnlich zum Realsystem verhalten. Im Normalfall reichen wenige Tage an Daten für die Kalibrierung aus. Das beschleunigt unseren Integrationsprozess natürlich ganz immens.

Für welche Energieversorgungssysteme bietet sich eine Steuerung durch Künstliche Intelligenz besonders an?

Grundsätzlich gilt: Je komplexer ein System und je mehr Energie es verbraucht, desto größer ist das Einsparpotenzial durch KI.

Warum kann KI solche komplexen Systeme effizienter steuern als konventionelle Regelungstechnik?

Weil der Betrieb und die Effizienz kältetechnischer Versorgungssysteme von vielen Faktoren beeinflusst werden, die sich laufend verändern – etwa Wetterbedingungen, interne Lasten oder Energiemärkte. Eine konventionelle Regellogik kann dieser hohen Dynamik nur begrenzt gerecht werden. Unsere Lösung kann dagegen im Minutentakt auf Veränderungen reagieren und immer wieder neu die optimalen Steuersignale ermitteln.

Mit Ihrer KI-Lösung greifen Sie in kritische Infrastrukturen ein. Birgt das nicht Risiken?

Wenn man es falsch macht, gibt es natürlich Risiken. Gerade am Anfang waren viele Anlagenverantwortliche wenig begeistert von der Aussicht, dass ein KI-Agent in die Steuerung eines Systems eingreift, das sie selbst in- und auswendig kennen.

Wie sind Sie mit diesen Bedenken umgegangen?

Uns war es wichtig, sie ernst zu nehmen. Deshalb haben wir viel Aufwand in die Entwicklung klarer Prozesse und Sicherheitsmechanismen gesteckt. Heute verfolgen wir gegenüber unseren Kunden einen dreistufigen Prozess: Zunächst zeigen wir den Verantwortlichen, wie unser KI-Agent die Anlage steuern würde. Das schafft Vertrauen. In der zweiten Phase schalten wir die Steuersignale der KI zeitweise durch und dann zeitweise wieder nicht. Diese Vergleichszeiträume erlauben es uns, abzuschätzen, wie hoch die Effizienzgewinne sein werden. In der dritten Phase übernehmen wir schließlich die dauerhafte Steuerung. Hinzu kommen technische Sicherheitsmechanismen. Sollte unsere Lösung einmal nicht funktionieren, sorgen Fallback-Mechanismen dafür, dass automatisch wieder die konventionelle Regelung übernimmt.

Und wie lange dauert es vom Erstkontakt mit dem Kunden bis zur finalen Installation des KI-Agenten?

Da wir den Prozess kontinuierlich verbessern, wird er immer kürzer. Aktuell benötigen wir etwa zwei bis sechs Monate.

Dabei erhalten Sie Einblick in sensible technische Daten der Unternehmen. Wie gehen Sie mit dem Thema Vertraulichkeit um?

Wir unterzeichnen standardmäßig am Anfang ein NDA, also eine Vertraulichkeitsvereinbarung.

Ihr Unternehmen wurde 2020 gegründet. Was waren auf dem Weg von der ersten Idee bis zum marktreifen Produkt die größten Herausforderungen?

Der grundsätzliche Ansatz, den ich eben erläutert habe, ist hochkomplex und brauchte viele Iterationen in der Praxis. Erste Prototypen mit Pionierkunden standen aber relativ schnell, und von dort aus haben wir die Lösung immer weiter verfeinert und erweitert. Die gesamte Organisationsstruktur mussten wir allerdings parallel zum laufenden Geschäft aufbauen. Teilweise arbeiten wir noch immer daran, unsere Prozesse effizienter zu gestalten – auch weil wir derzeit sehr stark wachsen.

Vor Kurzem hat etalytics eine Zweigstelle in San Francisco eröffnet. Warum die Entscheidung, in die USA zu gehen?

In den USA gibt es sehr viele Rechenzentren – deutlich mehr als in Europa. Das macht den Markt für uns besonders interessant. Deshalb wollen wir direkt vor Ort präsent sein, auch wegen der Zeitverschiebung. Unser Kernstandort bleibt aber Darmstadt, dort sitzt auch die gesamte Entwicklung.

Gab es einen Aha-Moment in der Entwicklung Ihres KI-Agenten, etwas, was Sie wirklich überrascht hat?

Ja, auf jeden Fall. Derzeit arbeiten wir an der Integration großer Sprachmodelle in die Plattform. Und es ist wirklich faszinierend zu sehen, wie gut das funktioniert. Mittlerweile können wir mit dem KI-Agenten chatten und ihm komplexe Fragen zu den verbundenen Systemen stellen. Das liegt daran, dass die Daten so strukturiert abliegen.

Können Sie uns ein Beispiel für solch eine Konversation mit dem KI-Agenten geben?

Eine Frage von uns könnte beispielsweise sein, wie viel Energie der Kühlturm gerade verbraucht und wie sich der Verbrauch in den letzten beiden Monaten verändert hat. Auf Basis der Antwort können wir die Daten direkt auswerten und gegebenenfalls Änderungen vornehmen. Diese Möglichkeit, mit dem KI-Agenten zu kommunizieren, eröffnet noch einmal eine ganz neue Dimension und erleichtert die Interaktion mit unserer Lösung.

Das Interview führte Nicole Alexander, Wissenschaftsjournalistin beim Projektträger Jülich.