Hin zu nachhaltiger Energieerzeugung: Ein vergleichender Machine‑Learning‑Rahmen zur Prognose der Kosten für grünen Wasserstoff auf dem afrikanischen Kontinent

Warum der Preis für grünen Wasserstoff wichtig ist

Während die Welt nach Wegen sucht, die CO2‑Emissionen von Schiffen, Fabriken und dem Fernverkehr zu reduzieren, hat sich grüner Wasserstoff als vielversprechender sauberer Brennstoff herauskristallisiert. Ob er sich jedoch wirklich durchsetzen kann, hängt von einer einfachen, hartnäckigen Frage ab: Wie viel kostet die Produktion eines Kilogramms? Diese Studie geht dieser Frage für Afrika nach — ein Kontinent mit riesigen Solar‑ und Windressourcen, aber wenigen belastbaren Daten darüber, was grüner Wasserstoff in den einzelnen Ländern tatsächlich kosten könnte.

Großes Bild: Eine kontinentweite Kostentafel

Die Forschenden wollten ein datenbasiertes, kontinentweites Bild der Kosten für grünen Wasserstoff erstellen. Statt sich auf ein einzelnes Werk oder ein Land zu konzentrieren, sammelten sie 54 Szenarien aus zahlreichen afrikanischen Staaten, von denen jedes ein mögliches Wasserstoffprojekt beschreibt. Für jedes Szenario erfassten sie die durchschnittlichen Lebenszykluskosten der Wasserstoffproduktion sowie 14 weitere Faktoren — etwa die Größe von Solar‑ und Windparks, die Kapazität der Elektrolyseure, den Bedarf an Speicher‑ und Pipelineinfrastruktur, die Stabilität und Zuverlässigkeit des lokalen Energiesystems, den Stand der Projektentwicklung und den möglichen Wasserverbrauch. Durch die Zusammenführung all dieser Informationen in einer einheitlich harmonisierten Tabelle schufen sie eine Grundlage, um Länder konsistent zu vergleichen.

Wie das intelligente Screening‑Tool funktioniert

Anstatt die Kosten für jeden Fall manuell zu berechnen, trainierte das Team eine Reihe von Machine‑Learning‑Modellen, um die Zusammenhänge zwischen Projektmerkmalen und den letztlichen Wasserstoffkosten zu erlernen. Sie teilten die Daten so auf, dass die meisten Szenarien zum Training dienten und der Rest als unabhängiger Test zurückgehalten wurde. Insgesamt wurden elf verschiedene Methoden ausprobiert — von einfachen linearen Modellen über flexibelere baumbasierte Verfahren bis hin zu tiefen neuronalen Netzen. Um Überanpassung zu vermeiden — also Modelle, die auswendig lernen statt zu verallgemeinern — setzten sie auf verschachtelte Kreuzvalidierung und mischten und teilten die Daten wiederholt, um die Stabilität der Vorhersagen über viele Durchläufe zu prüfen.

Was die Kosten nach oben oder unten treibt

Das leistungsfähigste Modell war ein feinabgestimmtes Gradient‑Boosting‑System, das viele einfache Entscheidungsbäume kombiniert, um komplexe Muster zu erfassen. Es reproduzierte beobachtete Wasserstoffkosten mit bemerkenswerter Genauigkeit und hinterließ nur wenige Cent mittleren Fehler pro Kilogramm. Mithilfe der SHAP‑Methode «öffneten» die Autorinnen und Autoren dann die Black Box, um zu sehen, welche Faktoren für die Modellentscheidungen am wichtigsten waren. Größere erneuerbare Erzeugungsanlagen und größere Elektrolyseure (die Geräte, die Wasser zur Wasserstoffproduktion aufspalten) waren stark mit niedrigeren prognostizierten Kosten verknüpft — ein Hinweis auf Skaleneffekte. Länder mit höherer Energiesicherheit — also zuverlässigeren, diversifizierten Stromsystemen — erzielten im Modell ebenfalls tendenziell niedrigere Kosten. Hingegen erhöhten größerer Wasserbedarf und lange Verteilungsleitungen die prognostizierten Kosten, was auf die Bedeutung lokaler Ressourcenbegrenzungen und Infrastrukturbedarfe hindeutet.

Muster zwischen Ländern und Projektphasen

Über die 54 afrikanischen Szenarien hinweg lag der typische Preis für grünen Wasserstoff bei etwa 4,9 Euro pro Kilogramm, mit Werten zwischen rund 3,75 und 5,60 Euro. Diese Zahlen waren jedoch nicht zufällig verteilt. Projekte, die sich bereits in detaillierter Planungs‑ oder Bauphase befanden, gruppierten sich tendenziell am unteren Ende der Kostenspanne, während frühe «Konzept‑nur»‑Ideen deutlich teurer waren. Das deutet darauf hin, dass mit zunehmender Reife eines Projekts — also wenn Design, Infrastruktur und Finanzierung klarer werden — die erwarteten Wasserstoffkosten sinken. Die Analyse zeigte außerdem, dass niedrige Kosten allgemein mit gut integrierten Großsystemen einhergehen, die große erneuerbare Kraftwerke mit robusten Speichern, Pipelines und starker Energie‑Governance koppeln, und nicht mit einem einzelnen Zauberfaktor oder einem einzelnen herausragenden Land.

Bezüge zu breiteren Nachhaltigkeitszielen

Da dieselben Indikatoren, die zur Kostenvorhersage verwendet wurden, auch soziale und ökologische Fragen berühren, untersuchten die Autorinnen und Autoren, wie sich ihre Ergebnisse auf die globalen Ziele für nachhaltige Entwicklung beziehen. Höhere Kapazitäten erneuerbarer Energien und bessere Energiesicherheit verbinden den Ausbau von grünem Wasserstoff mit bezahlbarer sauberer Energie und moderner Infrastruktur. Gleichzeitig zeigen Indikatoren wie CO2‑Minderungen, Wasserbedarf und Investitionsvolumina Trade‑offs und Synergien mit Klimaschutz und Wasserstress auf. Der Rahmen erhebt nicht den Anspruch, vollständige realweltliche Auswirkungen zu messen, bietet aber einen transparenten Ausgangspunkt, um Kosten, Klimaeffekte, Infrastruktur und Ressourcen gemeinsam abzuwägen.

Was das für Entscheidungsträger bedeutet

Kurz gesagt bietet diese Studie ein schnelles Screening‑Werkzeug für Regierungen, Investoren und Planer, die entscheiden müssen, worauf sie begrenzte Aufmerksamkeit und Kapital konzentrieren. Die Ergebnisse zeigen: Unter den untersuchten Szenarien sind afrikanische Kosten für grünen Wasserstoff nur dann wettbewerbsfähig, wenn Projekte groß sind, gut in zuverlässige Stromsysteme integriert werden und sorgfältig in Bezug auf Wasser und Infrastruktur geplant sind. Der Machine‑Learning‑Rahmen kann zwar detaillierte ingenieur‑ und finanzwirtschaftliche Untersuchungen nicht ersetzen, er kann aber rasch hervorheben, welche Länder und Projektdesigns besonders vielversprechend erscheinen — und welche einer vertieften Prüfung bedürfen — noch bevor Beton gegossen oder Pipelines verlegt werden.

Zitation: Elewa, A.M.T., Snousy, M.G., Saqr, A.M. et al. Toward sustainable energy production: a comparative machine learning framework for predicting green hydrogen cost across the african continent. Sci Rep 16, 12855 (2026). https://doi.org/10.1038/s41598-026-47726-w

Schlüsselwörter: grüner Wasserstoff, afrikanische Energie, maschinelles Lernen, erneuerbare Energien, nachhaltige Infrastruktur