In der Debatte um die Transformation hin zu einer klimaneutralen und zugleich wettbewerbsfähigen Wirtschaft sprechen wir meist über etablierte Technologien wie Windkraft, Wärmepumpen oder Photovoltaik. Eine besonders vielseitige, aber weitgehend unbekannte Alternative zu diesen „alten Bekannten“ sind Solarturmkraftwerke.

Diese Form der konzentrierenden Solarthermie (CSP) bündelt einfallendes Sonnenlicht mithilfe tausender Spiegel auf einen zentralen Punkt und erzeugt dort sehr hohe Temperaturen. Die entstehende Wärmeenergie lässt sich günstig speichern, direkt für industrielle Prozesse nutzen oder zu jeder Tages- und Nachtzeit flexibel in Strom umwandeln.

Damit CSP-Kraftwerke ihr volles Potenzial entfalten können, benötigen wir neben guter Kraftwerkshardware leistungsfähige Steuerungsmethoden, um bestehende Anlagen effizient und sicher zu betreiben. Einer der vielversprechendsten Ansätze sind differenzierbare digitale Zwillinge aus dem Bereich der künstlichen Intelligenz.

Gefüttert mit einer großen Menge historischer Betriebsdaten könnten sie genau jene Kosten senken, die den großflächigen kommerziellen Einsatz von Solarturmkraftwerken bislang unwirtschaftlich machen. Hier setzt unsere Forschung an.

Eine Technologie mit Potenzial – und einem Datenproblem

In einem Solarturmkraftwerk übernehmen tausende computergesteuerte Spiegel, sogenannte Heliostaten, die eigentliche Arbeit: Sie richten sich fortlaufend nach der Sonne aus und reflektieren einfallendes Licht auf einen zentralen Receiver an der Solarturmspitze.

Der enorme Vorteil gegenüber der Photovoltaik liegt in der möglichen Speicherung der erzeugten Wärmeenergie. So können Solarturmkraftwerke unter anderem klimaneutrale Wärme für industrielle Prozesse bereitstellen, einem der wichtigsten und zugleich am schwierigsten zu dekarbonisierenden Zweige unserer Wirtschaft.

Der breite Einsatz dieser Technologie scheitert bislang jedoch an zu hohen Betriebskosten. Kleine, unvermeidliche Abweichungen der Spiegel von ihrer idealen Form und Ausrichtung lassen das gebündelte Licht ungenau auf den Receiver auftreffen. Das reduziert den Wirkungsgrad und kann im schlimmsten Fall Bauteile beschädigen.

Die Vielzahl an Spiegeln im Kraftwerk fortlaufend präzise zu vermessen und nachzuregeln, ist zu aufwändig und zu teuer, um einen wirtschaftlichen Betrieb zu gewährleisten. Genau hier setzt eine Idee aus dem maschinellen Lernen an.

Differenzierbare digitale Zwillinge als Gamechanger

Die Lösung liegt in einem sogenannten digitalen Zwilling – einem virtuellen Abbild der gesamten Kraftwerksanlage, das ihr Verhalten im Computer nachbildet. Entscheidend bei unserem Ansatz ist ein Wort, das leicht überlesen wird: Der digitale Zwilling ist differenzierbar. Diese auf den ersten Blick technisch anmutende Nebensächlichkeit ist das entscheidene Detail.

Herkömmliche Simulationsmodelle sind eine Einbahnstraße: Man gibt eine Spiegelkonfiguration vor und erhält das zugehörige Lichtbild auf dem Receiver. Will man den Kraftwerksbetrieb optimieren, bleibt nur mühsames Ausprobieren.

Ein differenzierbares Modell dagegen rechnet auch rückwärts. Es liefert nicht nur das Lichtbild, sondern auch den Gradienten – also die Information, in welche Richtung jeder einzelne Kraftwerksparameter angepasst werden muss, um das Lichtbild und damit die Energieausbeute zu optimieren. Es ist dasselbe mathematische Prinzip, mit dem moderne KI-Modelle trainiert werden, hier angewandt auf die Physik eines Kraftwerks.

Für den Kraftwerksbetrieb ist das ein Wendepunkt. Aus einem einzigen gemessenen Lichtfleck auf dem Receiver kann unsere öffentlich verfügbare Simulationssoftware ARTIST zurückrechnen, wie ein einzelner Spiegel tatsächlich geformt und ausgerichtet ist – mit einer Genauigkeit im Submillimeterbereich. So lassen sich tausende Heliostaten anhand im Betrieb ohnehin aufgenommener Kalibrierungsbilder automatisch vermessen und nachjustieren, anstatt jeden einzelnen aufwändig von Hand zu kalibrieren.

Der digitale Zwilling kann zusätzlich die Motorstellungen der Heliostaten im gesamten Spiegelfeld so optimieren, dass sich das einfallende Licht ideal über den Receiver verteilt. Weil das vom ersten Betriebstag an möglich ist, sinken genau jene Kosten, an denen der breite Einsatz bisher gescheitert ist, während Sicherheit und Wirkungsgrad steigen.

Warum ein solcher Zwilling frei zugängliche Daten braucht

Ein differenzierbarer Zwilling ist allerdings nur so gut wie die Daten, von denen er lernt und anhand derer er validiert wird. Genau diese dringend benötigten realen Betriebsdaten waren bisher kaum zugänglich: Sie lagen verstreut und uneinheitlich dokumentiert hinter verschlossenen Türen einzelner Betreiber. Wer neue Verfahren entwickeln wollte, brauchte praktisch einen eigenen Turm.

Um diese Lücke zu schließen, haben wir am Karlsruher Institut für Technologie gemeinsam mit dem Deutschen Zentrum für Luft- und Raumfahrt die Datenbank PAINT aufgebaut und veröffentlicht: mehr als 800 Gigabyte reale Betriebsdaten des Solarturmkraftwerks Jülich aus den Jahren 2021 bis 2024 – von den Positionen aller 2.014 Heliostaten über 218.000 Kalibrierungsbilder bis zu durchgängig aufgezeichneten Wetterdaten.

Aufbereitet nach den FAIR-Prinzipien (engl. findable, accessible, interoperable, reusable – auffindbar, zugänglich, interoperabel, wiederverwendbar) für wissenschaftliche Daten und ergänzt um frei verfügbare Software sind sie erstmals für alle nutzbar. Damit ergibt sich ein doppelter Effekt: Neue Ansätze können an realen statt an synthetischen Daten entwickelt und – mindestens genauso wichtig – an standardisierten Benchmarks gemessen werden. Das schafft das Vertrauen, das solche Lösungen brauchen, um den Sprung aus dem Labor in kommerzielle Anlagen zu schaffen.

Was das für den Zukunftsstandort Deutschland bedeutet

Über Stromnetze, Ladesäulen oder Wasserstoffleitungen sprechen wir selbstverständlich als kritische Infrastruktur, die der Staat mitdenken muss. Für die intelligente, datengetriebene Steuerung von Energietechnik gilt das ebenso: Frei verfügbare Daten und offene, lernfähige Modelle sind die entscheidende Grundlage.

Darin liegt zugleich ein realer Zielkonflikt. Für ein einzelnes Unternehmen mag es kurzfristig vorteilhaft erscheinen, Betriebsdaten zurückzuhalten. Volkswirtschaftlich entstehen so jedoch viele kleine Dateninseln anstatt einer gemeinsamen Wissensbasis – und der
Fortschritt, der eine Technologie erst marktreif macht, verlangsamt sich.

Für eine exportorientierte Industrienation ist das mehr als eine akademische Frage. Wer die offenen Standards und Methoden einer Zukunftstechnologie entscheidend mitgestaltet, prägt auch die daraus entstehende Wertschöpfung. Dass mit PAINT und dem differenzierbaren digitalen Zwilling ARTIST beides an deutschen Forschungseinrichtungen entstanden ist, ist ein Vorsprung, den es auszubauen gilt.

Solarturmkraftwerke sind dabei nur ein Beispiel. Das Prinzip – reale, frei verfügbare Daten mit differenzierbaren, lernfähigen Modellen zu verbinden – lässt sich auf viele Bereiche der Energiewende übertragen.

Sie entscheidet sich nicht allein bei Beton und Stahl, sondern zunehmend darin, wie intelligent und effizient wir bestehende Anlagen betreiben. Für einen wettbewerbsfähigen Zukunftsstandort Deutschland lohnt es sich, in solch innovative Lösungen zu investieren und die Verbindung von offenen Daten mit intelligenten Modellen weiter zu stärken.

Weitere Beiträge zum Thema auf unserem Blog

Wasserstoff aus der Erde: Gamechanger für die Energiewende? von Miriam Straubinger und Dr. Berit Erlach, ESYS

Mit digitalen Zwillingen mehr Nachhaltigkeit erreichen von Dr. Ole Wintermann, Bertelsmann Stiftung

Künstliche Intelligenz – ein Katalysator für die Circular Economy? von Jan Quaing, DBU und Michael Leitl, Indeed Innovation GmbH