20 Jahre Engagement für die Wärmewende feiert Solites. Seit der Gründung im Jahr 2005 haben die Ingenieurinnen und Ingenieure des Unternehmens mehr als 200 Projekte im In- und Ausland bearbeitet – mit dem Ziel, erneuerbare Wärmesysteme weiterzuentwickeln und neuartige Systeme in den Markt zu bringen. Wärmenetze waren hierbei ihre größte Zielbranche. Heute arbeitet Solites im Steinbeis-Unternehmensverbund einerseits in öffentlich finanzierten Forschungs- und Transferprojekten, andererseits in Beratung und Planung von Wärmesystemen.
Aus dem „Solites – Steinbeis Forschungsinstitut für solare und zukunftsfähige thermische Energiesysteme“ wird nun das Unternehmen „Solites – Forschung, Beratung und Transfer für zukunftsfähige thermische Energiesysteme im Steinbeis-Verbund“. Dazu passend präsentiert sich die Unternehmens-Website in neuem Design.
In zwei Jahrzehnten habe das Unternehmen, das 2005 als Ausgründung aus dem Institut für Thermodynamik und Wärmetechnik (ITW) der Universität Stuttgart entstand, die Entwicklung nachhaltiger Wärmestrategien maßgeblich mitgestaltet. Inhaltlich begann es mit dem Schwerpunkt großer solarthermischer Anlagen für Wärmenetze. Schritt für Schritt kamen oberflächennahe Geothermie, multifunktionale Wärmespeicher, Wärmepumpen, Abwärme- und Gewässernutzung, erneuerbar erzeugter Strom und weitere Themen dazu – darunter dynamische Simulationen von Gesamtsystemen, umfassende Wirtschaftlichkeitsberechnungen, energiebewusstes Verhalten und mehr.
Zum Wissenstransfer in die Praxis entstanden Tools wie Simulationswerkzeuge, Auslegungsprogramme und Kartendarstellungen – zum Beispiel die Solare-Wärmenetze-Karte für Deutschland oder das Gratis-Onlinetool ScenoCalc Fernwärme (SCFW), das den solaren Nutzwärmeertrag von in Wärmenetze eingebundenen Solarthermieanlagen berechnet. Darüber hinaus stellen Wissensplattformen wie www.saisonalspeicher.de und www.solare-waermenetze.de Fachwissen der breiten Öffentlichkeit zur Verfügung.
Mit dem Einsatz Künstlicher Intelligenz nehme ein neues Aufgabenfeld zunehmend Gestalt an: Machine Learning wird für selbstlernende Regelungen eingesetzt, die mithilfe von virtuellen Zwillingen trainiert und dann in der Praxis für die Optimierung von Wärmesystemen eingesetzt werden können.