Digitale Energie

Wir entwickeln digitale Algorithmen zur Lösung von Optimierungsproblemen unter Nebenbedingungen, wie beispielsweise Dispatch, Aggregation und optimale Steuerung.

Diese Ansätze automatisieren operative Entscheidungen und liefern datenbasierte Empfehlungen. Gleichzeitig gewährleisten sie Robustheit und Skalierbarkeit, auch in Echtzeitumgebungen.

Unsere Modelle berücksichtigen zudem die Veralterung von Anlagen, inklusive State of Health (SOH) und Kosten für Batteriezyklen. So optimieren wir gleichzeitig Betriebsleistung und Lebensdauer der Anlagen.

Wir integrieren systematisch Risikomanagement über probabilistische Prognosen, wie Quantile, Konfidenzintervalle und Risikoindikatoren.

Diese Methoden helfen, Risiken früh zu antizipieren – etwa Wetter, Nutzungsvariabilität oder Anlagenverfügbarkeit. Dadurch reduzieren sie Funktionsstörungen oder Rebound-Effekte und sichern Entscheidungen in komplexen, verteilten Energiesystemen.

Unsere Lösungen ermöglichen die Schätzung und die koordinierte Aktivierung der Flexibilität verteilter Energieressourcen (DER – Distributed Energy Resources).

Wir steuern Gebäude, Ladeinfrastruktur für Elektrofahrzeuge und Speicher in Echtzeit mittels Optimierung unter Nebenbedingungen. So reduzieren wir lokale Netzengpässe bei Stationen oder Transformatoren, senken Lastspitzen und stärken die Netzresilienz.

Die Implementierung kann auf hybriden Cloud-/Edge-Architekturen basieren, mit lokalen Sicherheitsmechanismen für Betriebskontinuität und einfache IT/OT-Integration.

Wir setzen fortschrittliche Ansätze der prädiktiven Instandhaltung ein, die auf der Analyse multivariater Zeitreihen aus mehreren Sensoren beruhen.

Unsere Modelle erkennen Anomalien, diagnostizieren Ursachen und prognostizieren Abweichungen. So erhöhen wir die Zuverlässigkeit und reduzieren ungeplante Ausfälle.

Moderne Methoden, wie Zero-Shot-Ansätze, ermöglichen den Einsatz an mehreren Standorten selbst bei unvollständigen oder schwach gelabelten Daten.