KI-gestützte Wasserstoff-Produktionssteuerung

Das echte Ausmaß des Problems

Grüner Wasserstoff soll die Energiewende tragen, als Langzeitspeicher, Industrierohstoff und Kraftstoff. Doch die Produktionskosten liegen derzeit bei 4 bis 8 Euro je Kilogramm, während grauer Wasserstoff aus Erdgas etwa 1,50 bis 2 Euro kostet. Der größte Kostentreiber: Strom macht 60 bis 75 Prozent der Gestehungskosten aus. Wer Elektrolyseure nicht primär in Stunden mit günstigem Überschussstrom betreibt, zahlt zu viel, und kann nicht mit grauem Wasserstoff konkurrieren.

Das klingt einfach, ist es aber nicht. PEM- und Alkali-Elektrolyseure haben komplexe Betriebsgrenzen: Zu schnelles Hoch- und Runterregeln schädigt die Membran, zu lange Standzeiten erhöhen die Degradationsrate, ungleichmäßige Stromverteilung auf Zellstacks verkürzt die Lebensdauer. Ein Elektrolyseur für 20 MW kostet 15 bis 25 Millionen Euro. Ein Jahr verfrühte Lebensdauerverkürzung durch schlechtes Betriebsmanagement kostet schnell 500.000 bis 1.000.000 Euro.

Hinzu kommt: An der EPEX SPOT wechseln Day-Ahead-Preise stündlich, Intraday-Preise viertelstündlich. Manuelle Dispatch-Entscheidungen für mehrstufige Elektrolyseur-Parks überfordern Betriebsteams. Deutsche Pilotanlagen, etwa bei Uniper in Schleswig oder bei thyssenkrupp nucera, kämpfen alle mit diesem Optimierungsproblem. Deep Reinforcement Learning (DRL) auf historischen Betriebsdaten zeigt in publizierten Studien eine MAE-Korrelation von 99 Prozent zwischen Soll- und Ist-Betrieb bei ± 2 Prozent Effizienzstabilität über den gesamten Lastregelbereich von 25 bis 100 Prozent.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, sehr gering (1/5) Das ist ein vollautomatisierter Prozess. Betriebsteams werden entlastet, weil manuelle Dispatch-Entscheidungen wegfallen, aber das ist keine Stunden-Einsparung, das ist Stressreduktion und Fehlerminimierung. Zeitersparnis im klassischen Sinne: kaum. Der Wert liegt ausschließlich in der Kostenoptimierung.

Kosteneinsparung, mittel (3/5) 10 bis 18 Prozent niedrigere Produktionskosten klingen gut, auf einem 20-MW-Elektrolyseur mit 7.000 Volllaststunden sind das reale 200.000 bis 400.000 Euro/Jahr. Aber: Strom macht 60 bis 75 Prozent aus, und das KI-System optimiert nur den Betriebszeitpunkt, nicht den Strompreis selbst. Die absolute Einsparung ist real, aber die Einführungskosten (250.000 bis 430.000 Euro Pilotprojekt) bedeuten eine Amortisationszeit von 18 bis 24 Monaten. Kein extremer Kostenhebel, aber solide.

Schnelle Umsetzung, sehr langsam (1/5) Das ist das komplexeste Einführungsprojekt in der gesamten Kategorie, gleichauf mit der Netz-Zustandsüberwachung. SCADA-Integration, Simulation, RL-Training, Validierung, Parallelbetrieb, schrittweise Autonomisierung: realistisch 12 bis 18 Monate bis zum verlässlichen autonomen Betrieb. Wer glaubt, das in 6 Monaten zu schaffen, kauft sich ein unsicheres System für eine kritische Industrieanlage ein.

ROI-Sicherheit, mittel (3/5) Die Technologie funktioniert, das zeigen Laborstudien (Fraunhofer ISE, RWTH Aachen) und erste Praxisprojekte. Aber: Jede Anlage ist anders, der Sim-to-Real-Gap ist real, und die Kalibrierung auf die spezifische Anlagencharakteristik braucht Zeit. Der ROI ist nicht garantiert wie bei der Einspeiseprognose, er hängt stark von der Qualität der Implementierung ab.

Skalierbarkeit, hoch (4/5) Das Modell verbessert sich mit mehr Betriebshistorie. Neue Anlagen können schneller eingeführt werden, wenn das Grundmodell bereits kalibriert ist. Portfolio-Optimierung über mehrere Elektrolyseure ist möglich und liefert Zusatznutzen. Das ist einer der skalierbarsten Use Cases in der Kategorie, wenn das Grundpilot erfolgreich war.

Richtwerte, stark abhängig von Anlagengröße, Betriebsstunden und Strompreisvolatilität.

Was das System konkret macht

Das technische Fundament ist Deep Learning in Form von Reinforcement Learning, ein Paradigma, bei dem ein Algorithmus durch Ausprobieren lernt, welche Aktionen unter welchen Bedingungen zu den besten Ergebnissen führen.

Datenbasis: Der erste Schritt ist die Anbindung des Elektrolyseur-SCADA-Systems an ein zentrales Datenaggregat. Relevante Signale: Zellspannung je Stack, Temperatur, Druckdifferenz über Membran, Gasdurchfluss, Gleichrichterauslastung. Dazu kommen EPEX SPOT API für Day-Ahead- und Intraday-Preise und Wetterprognosen für windgekoppelte Anlagen.

RL-Agent: Ein Reinforcement-Learning-Agent (typisch PPO, Proximal Policy Optimization, oder SAC, Soft Actor-Critic) lernt in einer Anlagen-Simulation, welcher Betriebspunkt zu welchem Strompreis wie eingestellt werden soll, unter Einhaltung der Anlagenrestriktionen (Mindestlast, Rampenraten, maximale Betriebsstunden pro Stack ohne Pause). Das Modell wird zunächst in einer Simulation trainiert, bevor es auf die echte Anlage übertragen wird (Sim-to-Real-Transfer).

Predictive Degradation: Ein zweites Modell prognostiziert den Degradationszustand der Stacks anhand der kumulierten Betriebshistorie. Wenn Stack 3 bereits 4.000 Betriebsstunden hat und leichte Membranverschlechterung zeigt, hält das System diesen Stack bei nächstem günstigem Stromfenster bewusst im Teillastbetrieb, um die Lebensdauer um 10 bis 15 Prozent zu verlängern.

Integration und Sicherheitsarchitektur: Die Ausgabe ist ein Fahrplan: Welcher Stack läuft mit welcher Last in welchen 15-Minuten-Intervallen? Das RL-System gibt Sollwerte vor, die der SPS-Layer der Anlage gegen Sicherheitsschranken prüft und begrenzt. Das KI-System kann den Sicherheitslayer nicht überschreiben, es ist architekturell außen, nicht im Sicherheits-Loop.

Rechtliche Besonderheiten

Als KI-System zur Steuerung einer industriellen Produktionsanlage fällt die Wasserstoff-Produktionssteuerung in die Hochrisiko-Kategorie des EU AI Acts (Anhang III). Das bedeutet: technische Dokumentation vor dem Einsatz, Konformitätsbewertung, menschliche Aufsicht als Pflichtanforderung, Protokollierung aller Steuerungsentscheidungen.

Für Anlagen, die als KRITIS-Infrastruktur eingestuft werden (ab bestimmten Produktionskapazitäten), gelten zusätzlich die IT-Sicherheitsanforderungen des IT-SiG 2.0. Das schreibt vor: sichere Netzwerktrennung, Zugangskontrolle für Steuerungssysteme, Anomaliedetektion.

Die DIN-Normen für Elektrochemie und Elektrolyseure (DIN EN ISO 22734 für Wasserelektrolyse) setzen technische Sicherheitsgrenzen, die das KI-System nicht überschreiten darf, und die in der Simulation als Hard Constraints implementiert werden müssen.

Das Wasserstoffrecht in Deutschland ist im Wandel: Das Wasserstoffbeschleunigungsgesetz (2024) schafft neue Rahmenbedingungen für die Genehmigung von Elektrolyseanlagen. Die regulatorische Unsicherheit ist real und sollte in langfristige Investitionsentscheidungen eingerechnet werden.

Konkrete Werkzeuge, was wann passt

Siemens Insights Hub (ehemals MindSphere), Für Anlagen auf Siemens-SCADA-Basis die natürliche Plattform. Edge-Analytics-Module rechnen direkt an der Anlage und vermeiden Latenzen. Kein Cloud-Pflichtbetrieb für sicherheitskritische Steuersignale.

AVEVA PI System, Weit verbreitet in der Prozessindustrie für Zeitreihendaten von Industrieanlagen. Gute Basis für Datenaggregation, bevor das KI-Modell aufgesetzt wird.

Python (Stable-Baselines3, Ray RLlib), Open-Source-RL-Frameworks, die von Forschungsteams bei Fraunhofer ISE und RWTH Aachen für Elektrolyseur-Steuerung erprobt wurden. Realistisch für Unternehmen mit eigenem Data-Science-Team.

AWS SageMaker / Azure ML, Cloud-Plattformen für Anlagen-Datenaggregation und Modell-Training, wenn kein On-Premise-SCADA-Upgrade möglich ist. Azure ML hat C5-Attestierung für KRITIS-konforme Cloud-Nutzung.

Power BI, Als Monitoring-Dashboard für Produktions- und Kostentransparenz: Actual vs. optimierter Fahrplan, Ausnutzung negativer Strompreise, Stack-Degradationsmonitoring. Günstig, ohne neue Infrastruktur.

Datenschutz und Datenhaltung

Elektrolyseur-Betriebsdaten sind keine personenbezogenen Daten, aber sie sind hochsensible proprietäre Betriebsinformationen. Betriebspunkte, Effizienzwerte und Degradationsmuster sind wettbewerbssensitiv. Cloud-Datenübertragung sollte auf aggregierte oder anonymisierte Daten beschränkt werden; Rohdaten von Zellspannung und Membranparametern sollten bevorzugt on-premise oder in souverän kontrollierten Umgebungen bleiben.

Für KRITIS-eingestufte Anlagen: BSI-C5-konforme Cloud-Infrastruktur ist der Mindeststandard für jede Cloud-Komponente, die an Steuerungssysteme angebunden wird.

Was es kostet, realistisch gerechnet

Pilotprojekt (1 Elektrolyseanlage, 5–20 MW):

• Datenbasis schaffen und SCADA-Integration: 80.000 bis 150.000 Euro
• Modellentwicklung (RL-Agent + Degradationsmodell): 120.000 bis 200.000 Euro
• Simulation und Validierung (6 Monate Parallelbetrieb): 40.000 bis 80.000 Euro
• Gesamtpilot: 250.000 bis 430.000 Euro

Laufende Kosten:

• Modellpflege, Retraining, Monitoring: 30.000 bis 60.000 Euro/Jahr
• Cloud- und Edge-Infrastruktur: 15.000 bis 30.000 Euro/Jahr

ROI-Rechnung: 20-MW-Elektrolyseur, 7.000 Betriebsstunden/Jahr, Stromverbrauch 55 kWh/kg H₂, Jahresproduktion ca. 2.500 t H₂. Gesamtstromverbrauch: 20 MW × 7.000 h = 140.000 MWh/Jahr. Optimierter Lastfolgebetrieb reduziert durchschnittlichen Strompreis um 5 bis 8 Euro/MWh. Einsparung: 140.000 MWh × 6,5 Euro/MWh = ca. 910.000 Euro/Jahr plus 15 Prozent verlängerte Stack-Lebensdauer (≈ 200.000 Euro/Jahr Kapitalkosten-Vorteil). Gesamtnutzen: ca. 1,1 Mio. Euro/Jahr. Amortisation: unter 12 Monate nach Vollbetrieb.

Wie du den ROI tatsächlich misst: Parallelbetrieb vor Vollautonomisierung: 6 Monate lang läuft das KI-System parallel zum manuellen Betrieb, es macht Vorhersagen, aber der Mensch entscheidet. Die Differenz zwischen KI-Empfehlung und tatsächlichem Betrieb, monetarisiert über die Stromkostendifferenz, ist der Referenzwert für den möglichen ROI.

Typische Einstiegsfehler

1. Sicherheitsarchitektur nachträglich hinzufügen. RL-Systeme für Industrieanlagen müssen von Beginn an mit dem Konzept „KI gibt Sollwerte, SPS-Layer setzt Sicherheitsgrenzen” entwickelt werden. Wer das KI-System erst baut und dann überlegt, wie Sicherheit funktioniert, wird teuer nacharbeiten müssen. Hard Constraints (Mindestlast, Rampenratengrenzen) müssen in der Simulation als nicht verletzbare Grenzen implementiert sein, bevor die erste Zeile RL-Code geschrieben wird.

2. Sim-to-Real-Gap unterschätzen. Das RL-Modell wird in einer Simulation trainiert, die die Anlage modelliert. Jede Abweichung zwischen Simulation und Realanlage führt dazu, dass das Modell auf der echten Anlage anders reagiert als erwartet. Typische Probleme: Nichtlineare Effekte bei Teillast, Unterschiede im Membranverhalten bei verschiedenen Betriebstemperaturen, nicht modellierte Ausfallmuster. Lösung: Parallelbetrieb mit umfangreichem Logging, bevor das System Autonomie erhält.

3. Betriebsteam nicht einbinden. Wenn das Schichtteam das RL-System nicht versteht und ihm nicht vertraut, werden sie es systematisch übersteuern, selbst wenn die Empfehlungen korrekt sind. Das zerstört den ROI, weil der Mensch dann wieder die manuellen Dispatch-Entscheidungen trifft. Investition in Schulung und Transparenz (was entscheidet das System wann und warum) ist nicht optional.

4. Saisonale Rekalibrierung vergessen. Sommerbetrieb ist fundamental anders als Winterbetrieb: andere Kühlwassertemperaturen, andere Betriebspunkte, andere typische Lastmuster. Ein Modell, das im Herbst kalibriert wurde, kann im Sommer deutlich schlechter performen. Halbjährliche Rekalibrierung auf aktuelle Betriebsdaten ist Pflicht.

Was mit der Einführung wirklich passiert, und was nicht

Das Pilotprojekt wird meist von einem gemischten Team aus Dateningenieuren und Verfahrenstechnikern durchgeführt. Die ersten Monate sind primär Datenbeschaffung und SCADA-Integration, das ist die langweiligste, aber kritischste Phase. Schlechte Daten erzeugen schlechte Modelle, egal wie ausgefeilte Algorithmen verwendet werden.

Was oft unterschätzt wird: Der Sim-to-Real-Transfer. Das Modell verhält sich in der Simulation gut. In der Realanlage verhält es sich leicht anders, und die ersten Wochen im Parallelbetrieb sind primär damit verbracht, die Simulation auf die Realanlage zu kalibrieren.

Was wirklich passiert nach 12 Monaten erfolgreichem Betrieb: Das Betriebsteam beginnt, dem System zu vertrauen, und bemerkt, dass manche ihrer intuitiven Entscheidungen nicht so gut waren wie gedacht. Das ist kein Verlust, sondern Lernen. Die wertvollsten Systeme sind die, bei denen Mensch und KI gemeinsam besser werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Anlage hat noch keine 12 Monate Betriebsdaten, zu wenig für KI.” Stimmt für rein datengetriebene Ansätze. Physikbasierte Hybridmodelle (grey-box) funktionieren mit deutlich weniger historischen Daten, weil Elektrochemie-Wissen eingebaut ist. Fraunhofer ISE und mehrere Universitäten haben solche Ansätze für PEM-Elektrolyseure validiert. Sechs Monate Betriebshistorie reichen für einen brauchbaren Startpunkt, aber die Kalibrierung verbessert sich mit mehr Daten.

„Das Sicherheitsrisiko ist zu hoch, KI steuert kritische Industrieanlage.” Das RL-System gibt Sollwerte vor, die der SPS-Layer der Anlage gegen Sicherheitsschranken prüft und begrenzt. Das KI-System kann den Sicherheitslayer nicht überschreiben, es ist architekturell außen, nicht im Sicherheits-Loop. Das entspricht dem gleichen Prinzip wie bei SCADA-Optimierern für Kraftwerke, die seit 20 Jahren im Einsatz sind.

„Die Technologie ist noch nicht reif genug für den industriellen Einsatz.” Die Grundtechnologie ist in akademischen und Pilotprojekten validiert, u.a. bei Fraunhofer ISE und RWTH Aachen. Die Frage ist nicht mehr „ob es funktioniert”, sondern „wie hoch der Implementierungsaufwand für diese spezifische Anlage ist”. Der Markt wächst schnell: thyssenkrupp nucera, Plug Power und Nel Hydrogen entwickeln alle interne Optimierungsalgorithmen, die auf ähnlichen Prinzipien basieren.

Woran du merkst, dass das zu dir passt

• Du betreibst eine Elektrolyseanlage ab 5 MW mit mehr als 3.000 Volllaststunden/Jahr, erst dann ist der absolute Kostenhebel groß genug für den Projektaufwand
• Ihr habt ein internes Data-Science-Team oder Zugang zu spezialisierten Dienstleistern, das ist kein Projekt für allgemeine IT-Dienstleister
• Stack-Degradation ist bereits ein nachweisbares Problem und ihr habt Betriebsdaten, die das belegen

Wer noch nicht soweit ist:

• Anlage unter 3 MW: Der absolute Kostenhebel ist zu klein für den Pilotaufwand. Zuerst skalieren
• Weniger als 6 Monate Betriebsdaten: Zu wenig für verlässliche Simulation. Erst Daten sammeln
• Kein eigenes Data-Science-Team oder Spezialist-Zugang: Das Projekt scheitert an der Implementierung, nicht an der Technologie. Zuerst Kompetenz aufbauen oder Partner identifizieren
• KRITIS-Compliance noch nicht abgesichert: EU AI Act und IT-SiG-Anforderungen müssen vor dem Einsatz erfüllt sein, kein Projekt ohne Compliance-Analyse

Das kannst du heute noch tun

Exportiere die letzten 3 Monate EPEX-Spot-Day-Ahead-Preise und die tatsächlichen Betriebslastgänge eurer Anlage. Berechne: In wie vielen Stunden hat die Anlage zu einem Preis über 80 Euro/MWh auf 100 Prozent Last laufen, und in wie vielen Stunden günstiger Preise unter 30 Euro/MWh auf unter 60 Prozent? Diese Differenz ist der erste Hinweis auf das Optimierungspotenzial.

Quellen & Methodik

• Fraunhofer ISE (2024): Reinforcement Learning für Elektrolyseur-Betriebsoptimierung, ise.fraunhofer.de
• ScienceDirect (2026): Next-generation control for electrolyzers: GPT-based AI frameworks
• Nature Scientific Reports (2024): Real-time optimization of hydrogen production using Deep RL, doi: renene
• Modcon Systems (2024): Optimization of Hydrogen Electrolyzer Efficiency Through DRL Models
• EU AI Act (2024): Klassifikation industrieller Steuerungssysteme als Hochrisiko-KI (Anhang III)
• IT-Sicherheitsgesetz 2.0 (2021): KRITIS-Anforderungen für Produktionsanlagen mit Versorgungsrelevanz
• Wasserstoffbeschleunigungsgesetz (2024): Neue Genehmigungsrahmen für Elektrolyseanlagen in Deutschland