Predictive Maintenance für Batteriespeicher: Wie Sensordaten intelligente Wartungsentscheidungen ermöglichen
Battery Energy Storage Systems (BESS) sind zentrale Bausteine vernetzter Energiesysteme. Für Betreiber zählt nicht mehr allein die installierte Kapazität einer Anlage, sondern ebenso, wie verfügbar, sicher und wirtschaftlich nutzbar sie im Betrieb ist. Um aus aufgenommenen Daten verlässliche Analysen, Anomalieerkennung oder konkrete Wartungsentscheidungen abzuleiten, benötigen Betreiber zuverlässige Sensor-to-Cloud-Datenmodelle. Auf dieser Grundlage lassen sich Predictive-Maintenance-Maßnahmen ableiten und eine höhere Overall Equipment Effectiveness (OEE) erreichen.
Wie Unternehmen vom einzelnen Messwert zur Wartungsentscheidung gelangen
Große Batteriespeicher – auch als Battery Energy Storage Systems, kurz BESS, bezeichnet – haben sich in den vergangenen Jahren zu aktiven Infrastrukturelementen der Energienetze entwickelt und können auf volatile Einspeisungen, Lastspitzen oder marktbasierte Energiefahrpläne reagieren. Allerdings wirken sich die zahlreichen Lastwechsel auf die Batteriezellen, Module sowie die Leistungskomponenten der Speicher aus. Somit ist es für Betreiber essenziell, früh auf Anzeichen wie Degradation, also die sukzessive Abnahme der Speicherkapazität, thermische Auffälligkeiten oder elektrische Abweichungen zu reagieren.
Das Fraunhofer IVI beschreibt die Zustandsgrößen von Batteriesystemen als Grundlage, um die verfügbare Leistung und Energie eines Speichers zu bewerten sowie die verbleibende Lebensdauer, sicherheitsrelevante Zustände und mögliche vorzeitige Systemausfälle vorherzusagen. Ziel ist es, die Wartung von BESS nicht starr nach Kalenderintervallen zu planen, sondern aus dem tatsächlichen Anlagenzustand abzuleiten. Hierfür sind die Sensordaten so zu strukturieren und zu bewerten, dass sich daraus belastbare Aussagen für die Wartung ableiten lassen.
Warum Sensordaten allein nicht ausreichen
Betreiber erfassen in ihren Anlagen kontinuierlich verschiedene Größen, darunter:
- Zellspannung der Batterien
- Ein- und Ausgangsstrom
- Temperaturen
- Ladezustände
- Lade- und Entladezyklen
- Innenwiderstände
Für sich genommen liefern diese Daten jedoch nur einen begrenzten Erkenntniswert. Eine erhöhte Zelltemperatur kann kritisch sein, aber ebenso eine erwartbare Folge eines bestimmten Lastprofils. Aus diesem Grund sind die Messwerte erst dann wartungsrelevant, wenn man sie im Kontext der Anlagenstruktur, des Betriebszustandes sowie den Umgebungsbedingungen verknüpft und bewertet.
Warum Sensor-to-Cloud-Datenmodelle als Grundlage dienen
Das Verknüpfen von Messdaten mit Betriebs- und Anlagenzuständen geschieht über Sensor-to-Cloud-Datenmodelle. Sie legen fest, in welcher Form die Messwerte vom Batteriemanagementsystem (BMS) über Edge-Gateways in Cloud- oder Datenplattformen übertragen, normalisiert und analysiert werden.
Jeder Messwert benötigt dabei eine klare Zuordnung:
Welche Zelle oder welches Modul wurde gemessen?
Zu welchem Zeitpunkt und unter welchem Betriebszustand fand die Messung statt?
In welcher Einheit, mit welcher Messqualität und Sampling-Rate wurde gemessen?
Für Anwender ist entscheidend, wie sie die aufgenommenen Daten aufbereiten. Ohne konsistente Asset-Hierarchien, Zeitstempel und Einheiten lassen sich Zeitreihen nicht zuverlässig vergleichen. So könnten Anomalien falsch lokalisiert werden, Alterungstrends unerkannt bleiben und Machine-Learning (ML)-Modelle Muster lernen, die im Betrieb nicht stabil sind. Predictive Maintenance beginnt daher nicht erst beim Algorithmus, sondern bereits beim Datenmodell. Hierfür kann man beispielsweise die Asset Administration Shell (AAS) des Fraunhofer IPA zu Rate ziehen. Sie schafft eine standardisierte, semantisch beschriebene Datenstruktur für industrielle Assets.
SoH-Analyse: Wie Unternehmen den Betriebszustand richtig bewerten
Eine zentrale Diagnosegröße für BESS-Anlagen ist der State of Health (SoH). Mit dieser Kennzahl lässt sich der Gesundheitszustand einer Batterie, zum Beispiel die verbleibende Kapazität, die Leistungsfähigkeit sowie die Alterungsrate, beschreiben. Im Gegensatz dazu bildet der State of Charge (SoC) den aktuellen Ladezustand einer Batterie ab. Der SoH bewertet hingegen, wie nachhaltig nutzbar ein Speicher ist.
Für die Praxis ist der Unterschied wesentlich. Ein Speicher kann aktuell ausreichend geladen sein und dennoch durch Alterung, thermische Belastung oder steigenden Innenwiderstand an Performanz verlieren. SoH-Modelle bewerten deshalb immer den technischen Zustand der Batterie. Hieraus lassen sich Wartungsprioritäten ableiten:
- Welche Module altern schneller als erwartet?
- Welche Racks sollten genauer überwacht werden?
- Wo ist ein Anpassen der Betriebsgrenzen sinnvoll?
Mit Machine Learning von der Diagnose zur Entscheidung
Machine Learning erweitert die Batteriediagnose um Mustererkennung und Prognosefähigkeit. ML-Modelle können den Normalbetrieb eines Systems lernen und Abweichungen identifizieren, die in klassischen Grenzwertlogiken schwer erkennbar sind. Typische Beispiele sind:
- Zellspannungsdrift
- auffällige Temperaturgradienten
- steigender Innenwiderstand
- verändertes Ladeverhalten unter vergleichbaren Bedingungen
Hierbei kommen unter anderem Regressionsmodelle, Zeitreihenanalysen oder Clustering-Verfahren zum Einsatz. So beschreibt beispielsweise das Fraunhofer EMFT ML als Möglichkeit, komplexe Muster in Betriebsdaten von Anlagen zu erkennen. Hierbei ordnet das Institut das Erkennen von Anomalien als Teil der Zustandsüberwachung ein.
Wie können Unternehmen Edge, Cloud und OEE richtig kombinieren?
Allerdings sollte man nicht jede Analyse in der Cloud ausführen. Sicherheitskritische Funktionen wie das Überwachen von Grenzwerten, das sichere Abschalten in kritischen Zuständen oder Plausibilitätsprüfungen müssen lokal im BMS oder auf Edge-Ebene erfolgen. Hingegen eignet sich die Cloud etwa für Flottenvergleiche, Langzeittrends, Modelltraining und standortübergreifende Optimierungen. Eine robuste Anlagenarchitektur kombiniert beide Ebenen gezielt miteinander.
Der Nutzen zeigt sich in der Overall Equipment Effectiveness (OEE). Auf BESS übertragen umfasst die OEE drei Dimensionen: Verfügbarkeit, Leistung und Qualität. Das heißt, der Speicher muss einsatzbereit sein, die erwartete Leistung liefern und Energie im geforderten Betriebszustand bereitstellen. Predictive Maintenance verbessert diese Größen, indem ungeplante Ausfälle reduziert, Degradation früh erkannt und Wartungsfenster gezielt geplant werden.
Die Relevanz von Batteriespeichern für die electronica Community
Predictive Maintenance in BESS ist nicht allein eine Frage der Software. Sie beginnt bei präziser Sensorik, leistungsfähigen BMS, sicherer Kommunikation, Edge-Computing-Komponenten und skalierbaren Datenplattformen. Genau hier treffen die zentralen Themenfelder der electronica zusammen: Leistungselektronik, Embedded-Systeme, Sensorik, Konnektivität, KI und Energieinfrastruktur.
Wer tiefer in Themen rund um Batteriediagnostik, Predictive Maintenance, Sensor-to-Cloud-Architekturen und datenbasierte OEE-Optimierung einsteigen möchte, kann sich auf der electronica bei Fachvorträgen, Panel-Diskussionen und Experten-Foren – etwa dem Power & Battery Forum oder dem IIoT Forum – umfassend informieren und sich mit führenden Experten der Branche austauschen.