06.05.25 – Die neu gegründete Lumera Energy setzt auf die KI-basierte Optimierung von Stromspeichern in Industrie und Gewerbe.
Das Gründungsteam von Lumera Energy: Lena Sophia Voß, Leonie Wagner, Simon Wittner. Quelle: Lumera
Wer Speicherprojekte plant oder vertreibt, steht vor einer wachsenden Komplexität: volatile Märkte, wechselnde regulatorische Rahmenbedingungen und ein hoher Abstimmungsaufwand zwischen Herstellern, Installateuren und Kunden. Lumera Energy bietet dafür eine KI-gestützte Softwareplattform, die nicht nur Batteriespeicher dimensioniert, sondern ihren Einsatz wirtschaftlich und technologisch optimiert.
Im Zentrum der Plattform steht ein Optimierungsalgorithmus, der aus Lastgangdaten, PV-Erzeugung, dynamischen Tarifen und Energiemarktdaten die optimale Speichergröße und -strategie berechnet – inklusive Multi-Use-Fähigkeit. Lumera liefert auch maßgeschneiderte Unterlagen für die Finanzierung, den Vertrieb und die technische Umsetzung. Zielgruppen sind Batteriespeicherhersteller, Installateure und Projektentwickler sowie Gewerbe- und Industrieunternehmen.
C&I-Speicherlösungen sind mit einfachen Excel-Modellen kaum mehr effizient planbar. Die Vielzahl an Einflussgrößen – von Lastspitzen über variable Strompreise bis hin zu Regulatorik – ist nicht handhabbar. Zu diesen Einflussfaktoren gehören Unregelmäßige Lastgänge durch Produktionszyklen, neue Maschinen oder Schichtbetrieb, dynamische Einspeisung durch PV- oder KWK-Anlagen, Energieeinkauf über Spotmärkte und flexible Tarife, Wettereinflüsse auf Erzeugung und Preisentwicklung sowie Marktsignale und Netzeinschränkungen, die tagesaktuell berücksichtigt werden müssen
Die Software von Lumera berücksichtigt alle relevanten Einflussfaktoren für den Betrieb von Batteriespeichern für Gewerbe und Industrie gleichzeitig.
Quelle: Lumera Energie
Im Gegensatz zu Großspeichern, die vor allem auf Marktsignale reagieren, müssen Batteriespeicher im Gewerbe- und Industriebereich die genannten Einflussfaktoren gleichzeitig berücksichtigen. Die Abhängigkeiten und Wechselwirkungen der Datenpunkte sind für klassische Regelalgorithmen kaum mehr handhabbar. Aus diesem Grund berechnet Lumera die wirtschaftlich optimale Speicherstrategie und -größe mit Hilfe eines Machine-Learning-Frameworks. Dazu werden verschiedene Datenpunkte wie industrielle Lastgänge und Erzeugungsprofile, Energieeinkaufsstrategien, Wetterprognosen, Marktentwicklungen oder Daten der Verteilnetzbetreiber verwendet.
Praxisbeispiel: Maschinenbauunternehmen
Wie wirtschaftlich ein Batteriespeicher durch einen solchen KI-gestützten Algorithmus sein kann, zeigt ein Praxisbeispiel eines mittelständischen Maschinenbauunternehmens. Das Unternehmen hat einen Zwei-Schicht-Betrieb und betreibt eine 300-kWp-Photovoltaikanlage. 40 % des Stroms werden über Fixpreise eingekauft, 60 % über dynamische Tarife. Das Bild 1 zeigt die Ergebnisse einer KI-basierten Wirtschaftlichkeitsanalyse mit historischen Last- und Erzeugungsdaten.
Wirtschaftlichkeit eines Batteriespeichers bei einem mittelständischen Maschinenbauer. Quelle: Lumera Energy
Die ursprünglichen Stromkosten liegen bei 110.000€ jährlich. Eine reine Eigenverbrauchsoptimierung hätte Einsparungen von nur 2.000 € jährlich gebracht. Durch Lastspitzenkappung und optimierten Stromeinkauf können jedoch Einsparungen von 20.000 € erzielt werden. Die optimale Speichergröße beträgt 66 kW Leistung und 126 kWh Kapazität für die Kombination dieser Anwendungen. Über die Vermarktung freier Speicherkapazitäten am Spotmarkt können zusätzlich 17.000 € erwirtschaftet werden. Insgesamt spart das Unternehmen nun 35 % seiner Energiekosten.
Heute fokussiert sich Lumera auf die intelligente Speicherplanung. Zunehmend erweitert das Team die Plattform aber auch um Funktionen für den smarten Betrieb: In Zukunft wird Lumera Speicher in Echtzeit steuern, zwischen Strategien wie Eigenverbrauchsmaximierung, Peak Shaving und Marktteilnahme wechseln und auf Preis- sowie Lastveränderungen direkt reagieren.
Lumera wurde von Lena Sophia Voß, Leonie Wagner und Simon Wittner gegründet. Ihr Hintergrund stammt aus der Technischen Universität München, dem CDTM sowie UC Berkeley und Stanford. Die Gründer haben Erfahrungen bei den Unternehmen Google, Apple, BMW, Siemens und BCG gesammelt und haben Kompetenzen in den Bereichen in Machine Learning, Softwareentwicklung und Energietechnik.