Energiespeicher sind von zentraler Bedeutung, um erneuerbare Energie, deren Verfügbarkeit von Natur aus Schwankungen unterworfen ist, zuverlässig bereitstellen zu können. Dazu muss die Frage beantwortet werden, wie diese Speicher optimal genutzt werden können. In Energiesystemen, z.B. Energiezentralen von Stadtquartieren, befinden sich potentiell mehrere Speicher mit unter­schiedlicher Größe und unterschiedlicher Nutzung (Kurzzeit- und Langzeitspeicher). Dadurch wird die Betriebsführung zu einem komplexen Problem, da zu jedem Zeitpunkt langfristige Über­legungen zur Be- und Entladung der Langzeitspeicher mit kurzfristigen Bedürfnissen in Abstimmung gebracht werden müssen.

Das Projekt DISTEL – District Storage Intelligence hat zum Ziel, Algorithmen zu entwickeln, die solche Energiesysteme immer optimal, mit maximalem Wirkungsgrad und minimalen Schadstoff­emissionen betreiben. Hierzu sollen in DISTEL klassische Methoden der Optimierung mit fortschrittlichen Methoden der künstlichen Intelligenz kombiniert werden. So müssen zur langfristigen Planung Verbrauchs- und Ertragsprofile über längere Zeiträume hinweg zur Verfügung stehen, und das Verhalten der Speicher im Sinne von Energieverlusten muss ausreichend detailliert modelliert werden können, um abschätzen zu können, welche Kosten eine zum aktuellen Zeitpunkt gespeicherte Energie in Zukunft einsparen wird. Insbesondere diese langfristigen Simulationen erfordern üblicherweise ein hohes Maß an Rechenkapazität. Hier helfen theorie-getriebene Machine-Learning-Methoden, die das Verhalten approximativ in wesentlich geringerer Zeit berechnen können. Gekoppelt mit einer modellprädiktiven Regelung, welche diese Information berücksichtigt, sollte damit zu jedem Zeitpunkt die richtige Entscheidung getroffen werden können.