EP4754315A1

EP4754315A1 - Verteiltes lernen für eine optimierte betriebsweise von elektrolyseurmodulen

Info

Publication number: EP4754315A1
Application number: EP24762313.5A
Authority: EP
Inventors: Christian PEEREN
Original assignee: Siemens Energy Global GmbH and Co KG
Current assignee: Siemens Energy Global GmbH and Co KG
Priority date: 2023-10-10
Filing date: 2024-08-28
Publication date: 2026-06-10
Also published as: DE102023209873A1; AU2024359093A1; CN121986194A; WO2025078070A1

Abstract

Die Erfindung betrifft ein System (1) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2), das System (1) umfassend mehrere Elektrolyseanlagen (3) mit jeweils mehreren Elektrolyseurmodulen (2) sowie eine mit den Elektrolyseanlagen (3) zum Austausch von Daten verbundene Zentrale (4), die konfiguriert ist Modellparameter der Elektrolyseurmodule (2) der Elektrolyseanlagen (3) zu sammeln, diese Modellparameter zu verdichten und ein Modell für Elektrolyseurmodule (2) zu aktualisieren, wobei die Elektrolyseanlagen (3) je einen mit den Elektrolyseurmodulen (2) verbundenen Controller (5) sowie je ein mit dem Controller (5) verbundenes lokales Trainingsmodul (6) umfassen, das so konfiguriert ist, dass es aus Controller-Daten ein statistisches Modell der Elektrolyseurmodule (2) aktualisiert, Modellparameter des aktualisierten statistischen Modells an die Zentrale (4) weiterleitet, in der Zentrale (4) bearbeitete Modellparameter empfängt und diese aufbereitet an den jeweiligen Controller (5) zur Steuerung der Elektrolyseurmodule (2) weiterleitet. Die Erfindung betrifft ferner ein Verfahren zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) in Elektrolyseanlagen (3).

Description

Beschreibung

JUEL

Verteiltes Lernen für eine optimierte Betriebsweise von Elektrolyseurmodulen

TECH NISCH ES GEBI ET

[0001] Die Erfindung betrifft ein System zur Verbesserung der Betriebsweise von Elektrolyseurmodulen sowie ein entsprechendes Verfahren.

HI NTERGRU N D

[0002] Die Betriebsweise von Elektrolyseurmodulen stellt einen sehr großen Einfluss auf das Degradationsverhalten der Komponenten wie z.B. die Membranen dar. Es konnte gezeigt werden, dass exzessives Schalten die Degradation der Elektrolyseurmodule beschleunigt. Eine schonende Betriebsweise kann Abhilfe schaffen. Aus dem Stand der Technik sind mehrere Ansätze zur Datenanalyse und Steuerungsoptimierung bekannt.

[0003] Die Model Predictive Control (MPC) ist beispielsweise eine Methode der Steuerungsoptimierung von komplexen, in der Regel multi-variablen Prozessen. Sie basiert auf einem zeitdiskreten dynamischen Modell des Systems und verwendet Echtzeitdaten, um optimale Steuerungssignale zu berechnen. MPC kann verwendet werden, um die Betriebsparameter von Elektrolyseuren zu optimieren und eine hohe Effizienz zu gewährleisten. Allerdings erfordert diese Methode eine erhebliche Rechenleistung.

[0004] Alternativ hierzu können mittels der Entwicklung von detaillierten physikalischen Modellen und Simulationen von Elektrolyseuren verschiedene Betriebszustände virtuell getestet und die optimalen Einstellungen ermittelt werden. Diese Modelle können verwendet werden, um die Leistung unter verschiedenen Bedingungen vorherzusagen und so die Steuerung zu optimieren. Allerdings sind viele elektrochemische Vorgänge und der Zusammenhang mit der Betriebsweise nach wie vor unbekannt und können nur sehr schwer physikalisch modelliert werden. [0005] Einen Ausweg könnte der datengetriebende Ansatz über statische Modelle oder Ansätze des maschinellen Lernens bieten. Dabei werden Korrelationen zwischen Degradationseigenschaften und Betriebsarten ermittelt und datengetriebene Modelle entwickelt. Dabei können Modelle entwickelt werden, um Anomalien zu erkennen und um vorherzusagen, wann Wartung erforderlich ist, oder um ganz allgemein den Betriebszustand des Elektrolyseurs zu überwachen.

[0006] Durch die Modellierung können somit einige Wettbewerbsvorteile erzielt werden, wie eine längere Laufzeit, robuste Fahrweisen der Anlagen oder generell ein tieferes Verständnis der äußert komplexen Verhaltensmuster der Elektrochemie in der Zelle.

[0007] Maschinelles Lernen benötigt große Datenmengen, die üblicherweise zentral gesammelt werden, um daraus einen Datensatz für ein Training zu erstellen. Allerdings stellt gerade der exklusive Zugang zu den für das maschinelle Lernen benötigten Betriebsdaten ein Hindernis dar. Beispielsweise könnte der Betreiber einer Elektrolyseanlage Informationen zu deren Betriebsweise als sensitiv betrachten und die reinen Betriebsdaten nicht zur weiteren Analyse zur Verfügung stellen.

[0008] Bisher werden durch experimentelle Untersuchung, physikalische oder datengetriebende Modellierung Ersatzmodelle ermittelt, die für wichtige Leistungskennzahlen, wie die Degradation, eine Vorhersage erlauben und somit eine intelligentere und schonendere Betriebsstrategie erlauben. Die Vielzahl von verschiedenen Umgebungseinflüssen erlaubt allerdings nicht die maßgeschneiderte Modellierung für eine spezifische Anlage mit den verbundenen Umgebungseinflüssen.

[0009] Aufgabe der Erfindung ist es, ein System zur Verbesserung der Betriebsweise von Elektrolyseurmodulen anzugeben. Es ist ferner Aufgabe der Erfindung, ein Verfahren zur Verbesserung der Betriebsweise von Elektrolyseurmodulen in Elektrolyseanlagen anzugeben. [0010] Die Erfindung löst die auf ein System zur Verbesserung der Betriebsweise von Elektrolyseurmodulen gerichtete Aufgabe, indem sie vorsieht, dass ein solches System mehrere Elektrolyseanlagen mit jeweils mehreren Elektrolyseurmodulen sowie eine mit den Elektrolyseanlagen zum Austausch von Daten verbundene Zentrale umfasst, die konfiguriert ist Modellparameter der Elektrolyseurmodule der Elektrolyseanlagen zu sammeln, diese Modellparameter zu verdichten und ein Modell für Elektrolyseurmodule zu aktualisieren, wobei die Elektrolyseanlagen je einen mit den Elektrolyseurmodulen verbundenen Controller sowie je ein mit dem Controller verbundenes lokales Trainingsmodul umfassen, das so konfiguriert ist, dass es aus Controller-Daten ein statistisches Modell der Elektrolyseurmodule aktualisiert, Modellparameter des aktualisierten statistischen Modells an die Zentrale weiterleitet, in der Zentrale bearbeitete Modellparameter empfängt und diese aufbereitet an den jeweiligen Controller zur Steuerung der Elektrolyseurmodule weiterleitet.

[0011] In ihrem Artikel mit dem Titel „Communication-Efficient Learning of Deep Networks from Decentralized Data“ https://arxiv.org/abs/1602.05629 beschreiben die Autoren H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson and Blaise Agüera y Areas eine Methode, um aus der Fülle von Daten moderner Mobilgeräte Lernmodelle für bestimmte Anwendungen erstellen zu können, die zu einem verbesserten Benutzererlebnis führen können, beispielsweise aufgrund verbesserter Sprachmodelle für die Spracherkennung oder eine erleichterte Texteingabe. Die Mobilgeräte-Hardware ist zwar unterschiedlich, für die Verbesserung der jeweiligen identischen Anwendung ist dies aber unerheblich. Da diese umfangreichen Daten oft datenschutzrechtlich bedenklich, sehr umfangreich oder beides sind, wird vorgeschlagen, die Trainingsdaten auf den jeweiligen Mobilgeräten zu lassen und ein gemeinsames Modell durch Aggregation lokal berechneter Aktualisierungen zu erstellen.

[0012] Ein solcher Ansatz im maschinellen Lernen, bei dem ein verteiltes Netzwerk von Geräten gemeinsam an einem Modell arbeitet, ohne dabei zentrale Daten zu teilen wird als „Federated Learning“ bezeichnet. Dieser Ansatz kann bei Mobiltelefonen sinnvoll sein, da er den Datenschutz verbessert und die Rechenleistung der einzelnen Geräte nutzt. Bei Elektrolyseanlagen sind jedoch einige Faktoren zu berücksichtigen, die einen Fachmann davon abhalten könnten, Federated Learning anzuwenden.

[0013] Elektrolyseanlagen sind in der Regel groß angelegte industrielle Anlagen zur Herstellung von Wasserstoff durch die Spaltung von Wasser in Sauerstoff und Wasserstoff. Die technischen Anforderungen und Prozesse dieser Anlagen unterscheiden sich technisch stark von denen von Mobiltelefonen und anderen Geräten, bei denen Federated Learning häufig eingesetzt wird.

[0014] Weiter sind im Vergleich zu Mobiltelefonen Elektrolyseanlagen weniger verbreitet, was den Nutzen von Federated Learning reduziert, da dieser Ansatz typischerweise auf eine große Anzahl von Geräten angewiesen ist.

[0015] Bei Elektrolyseanlagen ist der Datenschutz möglicherweise weniger kritisch, und etablierte Mechanismen für den Datenaustausch zwischen Anlagenbetreibern könnten bereits vorhanden sein.

[0016] Und schließlich verfügen im Gegensatz zu Mobiltelefonen Elektrolyseanlagen möglicherweise nicht über ausreichende Rechenressourcen, um maschinelle Lernalgorithmen auszuführen, was ihre Leistung beeinträchtigen oder zusätzliche Hardware erforderlich machen könnte.

[0017] Insgesamt würde daher ein Fachmann Federated Learning für Elektrolyseanlagen nicht zwingend für geeignet halten, insbesondere im Hinblick auf Herausforderungen bei der Implementierung von Federated Learning, wie z.B. die Koordination der Modellaktualisierungen, die Sicherstellung der Datensicherheit und der Umgang mit Geräten oder Anlagen, die unterschiedliche Rechenleistungen und Netzwerkverbindungen haben.

[0018] Trotzdem hat Federated Learning auch für Elektrolyseurmodule Vorteile.

Beispielsweise kann gegenüber den oben erwähnten etablierte Mechanismen für den

Datenaustausch zwischen Anlagenbetreibern eine Verbesserung bzgl. des Datenschutzes erzielt werden. Ferner wird der Kommunikationsbedarf reduziert, weil, anstatt große Mengen an Daten über das Netzwerk zu übertragen, nur die Modellaktualisierungen übermittelt werden, was zu einer geringeren Netzwerklast führt. Hinsichtlich der üblichen Einschätzung, Elektrolyseanlagen verfügten im Gegensatz zu Mobiltelefonen möglicherweise nicht über ausreichende Rechenressourcen um maschinelle Lernalgorithmen auszuführen, was ihre Leistung beeinträchtigen oder zusätzliche Hardware erforderlich machen könnte, zeigt sich, dass durch das Training der Modelle auf den lokalen Trainingsmodulen deren Rechenleistung genutzt werden kann, anstatt zusätzliche zentrale Rechenressourcen bereitzustellen.

[0019] In einer vorteilhaften Ausführungsform der Erfindung sind die lokalen Trainingsmodule so konfiguriert, dass sie Zusammenhänge zwischen Betriebsweisen und Leistungskennzahlen der Elektrolyseurmodule erlernen.

[0020] Durch das Verständnis der Zusammenhänge zwischen Betriebsweisen und Leistungskennzahlen können Betreiber die Elektrolyseurmodule optimieren, um einen höheren Wirkungsgrad und eine bessere Energieausnutzung zu erreichen. Dies kann zu einer Reduzierung des Energieverbrauchs und der Betriebskosten führen. Das Erkennen von Mustern und Zusammenhängen ermöglicht eine gezielte Anpassung der Betriebsparameter der Anlage. Dadurch können Betreiber eine stabilere und effizientere Produktion gewährleisten, was die Lebensdauer der Anlage verlängern und die Wartungskosten reduzieren kann.

[0021] Da Elektrolyseurmodule unterschiedliche Betriebsbedingungen aufweisen können, hilft das Erlernen der Zusammenhänge auch dabei, die Anlage an veränderte Umgebungsbedingungen oder Lastanforderungen anzupassen. Dies ermöglicht eine flexiblere und effizientere Nutzung der Elektrolyseanlage.

[0022] Ferner können potenzielle Probleme oder Fehler frühzeitig erkannt werden.

Dies ermöglicht eine präventive Wartung, um Ausfälle zu vermeiden und die Anlagenverfügbarkeit zu maximieren. [0023] Und schließlich trägt das Erlernen der Zusammenhänge zur Sammlung von Wissen über die optimalen Betriebsbedingungen und Leistungskennzahlen der Elektrolyseurmodule bei. Dieses Wissen kann für zukünftige Anlagenplanungen und - Optimierungen verwendet oder zwischen verschiedenen Anlagen ausgetauscht werden, um die Effizienz und Leistung der Elektrolyseindustrie insgesamt zu verbessern.

[0024] In einer weiteren vorteilhaften Ausführungsform der Erfindung sind die lokalen Trainingsmodule so konfiguriert, dass sie ein statistisches Modell für Elektrolyseurmodule auf Grundlage von Daten, die für Betriebscharakteristika der Elektrolyseurmodule repräsentativ sind, erzeugen und/oder aktualisieren und auf der Grundlage dieses statistischen Modells eine Optimierung der Betriebsweise von Elektrolyseurmodulen durchführen.

[0025] Dabei ist es zweckmäßig, wenn die Optimierung einen oder mehrere der folgenden Punkte umfasst: Gesamtwirkungsgrad der Elektrolyseanlagen, Degradation bzw. Lebensdauer der Elektrolyseanlagen, Degradation bzw. Lebensdauer jedes der Elektrolyseurmodule, Betriebssicherheit und Wartungsmuster. Dies führt zu einer ganzheitlichen Verbesserung der Anlagenperformance.

Vorteilhafterweise sind die lokalen Trainingsmodule durch die Zentrale synchronisierbar. Dadurch stellt die Zentrale sicher, dass alle Trainingsmodule über die gleichen Informationen und den aktuellen Stand des Modells verfügen. Dies trägt zur Konsistenz und Effektivität des Lernprozesses bei. Außerdem kann die Zentrale die Leistung der einzelnen Elektrolyseanlagen besser überwachen und bei Bedarf gezielt intervenieren und somit Probleme oder Ineffizienzen frühzeitig erkennen und beheben. Schließlich vereinfacht eine Synchronisierung der lokalen Trainingsmodule die Wartung und Aktualisierung des Modells der Anlagen und gewährleistet, dass alle Anlagen von den neuesten Erkenntnissen und Optimierungen profitieren.

[00271 Weiter ist es vorteilhaft, wenn die Daten periodisch an die Zentrale übertragen werden. Durch die periodische Übertragung von Daten bleibt die Zentrale stets über den aktuellen Betriebszustand der Elektrolyseanlagen informiert. Dies ermöglicht eine zeitnahe Reaktion auf mögliche Probleme, Veränderungen oder Ineffizienzen, wodurch eine schnellere Anpassung und Optimierung möglich ist.

[0028] Ferner kann durch die regelmäßige Übertragung von Daten die Zentrale Langzeit-Trends und Muster in den Betriebsdaten der Elektrolyseanlagen besser erkennen. Diese Informationen können zur Identifizierung von Verbesserungspotenzialen oder zur Vorhersage von zukünftigen Entwicklungen und Anforderungen genutzt werden.

[0029] Eine einfache und somit vorteilhafte Weise, die ermittelten Daten zusammenzufassen ist die arithmetische Mittelung.

[0030] Die auf ein Verfahren gerichtete Aufgabe wird gelöst durch ein Verfahren zur Verbesserung der Betriebsweise von Elektrolyseurmodulen in Elektrolyseanlagen, wobei in den Elektrolyseanlagen Controller die Elektrolysemodule steuern und überwachen, wobei lokale Trainingsmodule der Elektrolyseanlagen aus Controller- Daten ein statistisches Modell der Elektrolyseurmodule aktualisieren und so ermittelte Modellparameter an eine Zentrale weiterleiten, wobei die Zentrale diese Modellparameter der Elektrolyseurmodule der Elektrolyseanlagen sammelt, verdichtet und ein Modell für Elektrolyseurmodule aktualisiert, wobei aktualisierte Modellparameter an die lokalen Trainingsmodule der Elektrolyseanlagen verteilt und aufbereitet den Controllern übermittelt werden.

[0031] Vorteilhafterweise werden Zusammenhänge zwischen Betriebsweisen und Leistungskennzahlen der Elektrolyseurmodule erlernt.

[0032] Dabei ist es zweckmäßig, wenn in den Elektrolyseanlagen ein statistisches Modell für Elektrolyseurmodule auf Grundlage von Daten, die für Betriebscharakteristika der Elektrolyseurmodule repräsentativ sind, erzeugt und/oder aktualisiert werden und auf der Grundlage dieses statistischen Modells eine Optimierung der Betriebsweise von Elektrolyseurmodulen durchgeführt wird.

[0033] Insbesondere ist es zweckmäßig, wenn die Optimierung einen oder mehrere der folgenden Punkte umfasst: Gesamtwirkungsgrad der Elektrolyseanlagen, Degradation bzw. Lebensdauer der Elektrolyseanlagen, Degradation bzw.

Lebensdauer jedes der Elektrolyseurmodule, Betriebssicherheit und Wartungsmuster.

[0034] Es ist vorteilhaft, wenn sowohl die lokalen Trainingsmodule durch die Zentrale synchronisiert werden als auch die Daten periodisch von den lokalen Trainingsmodulen an die Zentrale übertragen werden.

[0035] Es ist ferner vorteilhaft, wenn die Daten in der Zentrale arithmetisch gemittelt werden.

Die wesentlichen Merkmale der Erfindung sind die lokalen Trainingsmodule (Local Learners), die auf den lokalen Betreiberanlagen Zusammenhänge zwischen der Betriebsweise und KPIs (wie Degradation) erlernen. Diese lokalen Trainingsmodule werden über einen zentralen Server (Master) synchronisiert. In regelmäßigen Intervallen werden die Parameter der lokalen Trainingsmodule abgefragt und zu dem zentralen Server übermittelt. Da es sich um abstrakte Modellparameter handelt, können keine Rückschlüsse auf die Betriebsweise der Betreiber der Elektrolyseanlagen geführt werden. Sensitive Informationen werden somit nicht übermittelt. Dies wird für viele unterschiedliche Anlagen bzw. Betreiber gemacht. Die gesammelten Modellparameter werden anschließend auf dem Master- Server aggregiert. Eine sehr einfache Form stellt z.B. die arithmetische Mittelung dar. Anschließend werden die gemittelten Modellparameter wieder zu den verschiedenen Anlagen übertragen. Durch diese Updates kann die Vorhersagefähigkeit, Robustheit und Generalisierbarkeit der lokalen Trainingsmodule auf Basis der angeschlossenen Flotte signifikant gesteigert und dynamisch angepasst werden.

[0037] Es können dynamisch datengetriebende Updates auf die Anlagen übertragen werden und auf Daten gelernt werden, die normalerweise nicht zugänglich gemacht werden können. So kann das volle Potential des maschinellen Lernens ausgenutzt werden und den Betreibern der Elektrolyseanlagen können lokale Vorhersagemodelle zur Verfügung gestellt werden, die auf Daten der gesamten Flotte beruhen ohne aktiv Betreiberdaten zu Nutzen. KURZBESCHREIBUNG DER ZEICHNU NGEN

[0038] FIG System zur Verbesserung der Betriebsweise von Elektrolyseurmodulen nach der Erfindung.

BESCH REIBUNG DER AUSFÜH RUNGSFORM

[0039] Die Figur zeigt den Aufbau eines Systems 1 nach der Erfindung zur Verbesserung der Betriebsweise von Elektrolyseurmodulen 2. Im Ausführungsbeispiel der Figur umfasst das System 1 drei Elektrolyseanlagen 3 mit je drei Elektrolyseurmodulen 2.

[0040] Eine Zentrale 4 ist mit den Elektrolyseanlagen 3 zum Austausch von Daten verbunden. Die Zentrale 4 ist so konfiguriert, dass sie Modellparameter der Elektrolyseurmodule 2 der Elektrolyseanlagen 3 sammelt 7, diese Modellparameter verdichtet 8, beispielsweise eine arithmetische Mittelung durchführt, und ein Modell für Elektrolyseurmodule 2 aktualisiert 9.

[0041] Die Elektrolyseanlagen 3 umfassen je einen mit den Elektrolyseurmodulen 2 verbundenen Controller 5, der im Ausführungsbeispiel der Figur über eine Datenbank 10 wiederum mit einem lokalen Trainingsmodul 6 verbunden ist. Das lokale Trainingsmodul 6 ist so konfiguriert, dass es aus Daten des Controllers 5 ein statistisches Modell der Elektrolyseurmodule 2 aktualisiert und dabei Zusammenhänge zwischen Betriebsweisen und Leistungskennzahlen der Elektrolyseurmodule erlernt, Modellparameter des aktualisierten statistischen Modells an die Zentrale 4 vorzugsweise periodisch und synchronisiert weiterleitet (durchgezogene Linie), in der Zentrale 4 bearbeitete Modellparameter empfängt (gestrichelte Linie) und auf deren Grundlage entsprechende Anweisungen an den jeweiligen Controller 5 zur Steuerung der Elektrolyseurmodule 2 weiterleitet.

[0042] Insbesondere sind die lokalen Trainingsmodule 6 so konfiguriert, dass sie ein statistisches Modell für Elektrolyseurmodule 2 auf Grundlage von Daten, die für Betriebscharakteristika der Elektrolyseurmodule 2 repräsentativ sind, erzeugen und/oder aktualisieren und auf der Grundlage dieses statistischen Modells eine Optimierung der Betriebsweise von Elektrolyseurmodulen 2 durchführen.

[0043] Dabei umfasst die Optimierung einen oder mehrere der folgenden Punkte:

Gesamtwirkungsgrad der Elektrolyseanlagen 3, Degradation bzw. Lebensdauer der Elektrolyseanlagen 3, Degradation bzw. Lebensdauer jedes der Elektrolyseurmodule

2, Betriebssicherheit und Wartungsmuster.

BEZUGSZEICH ENLISTE

1 System

2 Elektrolyseurmodul 3 Elektrolyseanlage

4 Zentrale

5 Controller

6 lokales Trainingsmodul

7 Sammeln von Modellparametern 8 Verdichten von Modellparametern

9 Aktualisieren von Modellparametern

10 Datenbank

Claims

Ansprüche Was beansprucht wird:

1 . System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2), das System (1) umfassend mehrere Elektrolyseanlagen (3) mit jeweils mehreren Elektrolyseurmodulen (2) sowie eine mit den Elektrolyseanlagen (3) zum Austausch von Daten verbundene Zentrale (4), die konfiguriert ist Modellparameter der Elektrolyseurmodule (2) der Elektrolyseanlagen (3) zu sammeln, diese Modellparameter zu verdichten und ein Modell für Elektrolyseurmodule (2) zu aktualisieren, wobei die Elektrolyseanlagen (3) je einen mit den Elektrolyseurmodulen (2) verbundenen Controller (5) sowie je ein mit dem Controller (5) verbundenes lokales Trainingsmodul (6) umfassen, das so konfiguriert ist, dass es aus Controller-Daten ein statistisches Modell der Elektrolyseurmodule (2) aktualisiert, Modellparameter des aktualisierten statistischen Modells an die Zentrale (4) weiterleitet, in der Zentrale (4) bearbeitete Modellparameter empfängt und diese aufbereitet an den jeweiligen Controller (5) zur Steuerung der Elektrolyseurmodule (2) weiterleitet.

2. Das System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) nach Anspruch 1 , wobei die lokalen Trainingsmodule (6) so konfiguriert sind, dass sie Zusammenhänge zwischen Betriebsweisen und Leistungskennzahlen der Elektrolyseurmodule (2) erlernen.

3. Das System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) nach einem der Ansprüche 1 oder 2, wobei die lokalen Trainingsmodule (6) so konfiguriert sind, dass sie ein statistisches Modell für Elektrolyseurmodule (2) auf Grundlage von Daten, die für Betriebscharakteristika der Elektrolyseurmodule (2) repräsentativ sind, erzeugen und/oder aktualisieren und auf der Grundlage dieses statistischen Modells eine Optimierung der Betriebsweise von Elektrolyseurmodulen (2) durchführen.

4. Das System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) nach Anspruch 3, wobei die Optimierung einen oder mehrere der folgenden Punkte umfasst: Gesamtwirkungsgrad der Elektrolyseanlagen (3), Degradation bzw. Lebensdauer der Elektrolyseanlagen (3), Degradation bzw. Lebensdauer jedes der Elektrolyseurmodule (2), Betriebssicherheit und Wartungsmuster.

5. Das System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) nach einem der vorhergehenden Ansprüche, wobei die lokalen Trainingsmodule (6) durch die Zentrale (4) synchronisierbar sind.

6. Das System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) nach einem der vorhergehenden Ansprüche, wobei das System so konfiguriert ist, dass die Daten periodisch an die Zentrale (4) übertragen werden.

7. Das System (1 ) zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) nach einem der vorhergehenden Ansprüche, wobei ein Zusammenfassen der Daten mittels arithmetischer Mittelung erfolgt.

8. Verfahren zur Verbesserung der Betriebsweise von Elektrolyseurmodulen (2) in Elektrolyseanlagen (3), wobei in den Elektrolyseanlagen (3) Controller (5) die Elektrolysemodule (2) steuern und überwachen, wobei lokale Trainingsmodule (6) der Elektrolyseanlagen (3) aus Controller-Daten ein statistisches Modell der Elektrolyseurmodule (2) aktualisieren und so ermittelte Modellparameter an eine Zentrale (4) weiterleiten, wobei die Zentrale (4) diese Modellparameter der Elektrolyseurmodule (2) der Elektrolyseanlagen (3) sammelt, verdichtet und ein Modell für Elektrolyseurmodule (2) aktualisiert, wobei aktualisierte Modellparameter an die lokalen Trainingsmodule (6) der Elektrolyseanlagen (3) verteilt und aufbereitet den Controllern (5) übermittelt werden.

9. Verfahren nach Anspruch 8, wobei in den Elektrolyseanlagen (3) Zusammenhänge zwischen Betriebsweisen und Leistungskennzahlen der Elektrolyseurmodule (2) erlernt werden.

10. Verfahren nach einem der Ansprüche 8 oder 9, wobei in den Elektrolyseanlagen

(3) ein statistisches Modell für Elektrolyseurmodule (2) auf Grundlage von Daten, die für Betriebscharakteristika der Elektrolyseurmodule (2) repräsentativ sind, erzeugt und/oder aktualisiert werden und auf der Grundlage dieses statistischen Modells eine Optimierung der Betriebsweise der Elektrolyseurmodule (2) durchgeführt wird.

11. Verfahren nach Anspruch 10, wobei die Optimierung einen oder mehrere der folgenden Punkte umfasst: Gesamtwirkungsgrad der Elektrolyseanlagen (3), Degradation bzw. Lebensdauer der Elektrolyseanlagen (3), Degradation bzw. Lebensdauer jedes der Elektrolyseurmodule (2), Betriebssicherheit und

Wartungsmuster.

12. Verfahren nach einem der Ansprüche 8 bis 11 , wobei die lokalen Trainingsmodule (6) durch die Zentrale (4) synchronisiert werden.

13. Verfahren nach einem der Ansprüche 8 bis 12, wobei die Daten periodisch von den lokalen Trainingsmodulen (6) an die Zentrale (4) übertragen werden.

14. Verfahren nach einem der Ansprüche 8 bis 13, wobei die Daten in der Zentrale

(4) arithmetisch gemittelt werden.