Entwicklung einer selbstopt. Regelung zum effizienten und netzdienlichen Betrieb von (regenerativen) Energiesystemen unter Verwendung von maschinellem Lernen

Description: Das Projekt "Entwicklung einer selbstopt. Regelung zum effizienten und netzdienlichen Betrieb von (regenerativen) Energiesystemen unter Verwendung von maschinellem Lernen" wird/wurde ausgeführt durch: Green Fusion GmbH.Abweichend von konventionellen Standardverfahren zur Regelung von Wärmeerzeuger sollen in dem Projekt eine Vielzahl von internen und externen Eingangsgrößen zur Regelung verwendet werden. Hierbei handelt es sich unter anderem um Wetterdaten, Strompreise, Stromerzeugung und Korrelationsgrößen für die Belegung. In die Entscheidungsfindung zur Regelung fließen nicht nur aktuelle Zustandsgrößen ein, sondern auch zukünftige Werte. Es erfolgt somit eine prädiktive und vorausschauende Regelung anstelle einer reaktiven Standardregelung. Für solch eine Optimierungsaufgabe mit einer Vielzahl an Eingangsgrößen und einem längeren Betrachtungshorizont eigenen sich Methoden des maschinellen Lernens wie z.B. dem Reinforcement Learning. Der Vorteil dieser Methode ist eine bedarfsgenaue und wirtschaftliche Wärmebereitstellung. Mit Hilfe von Simulationsmodellen kann eine Vielzahl von Szenarien nachgebildet und als Trainingsdaten verwendet werden. Ziel des Forschungsprojektes ist es, die Optimierung von sektorübergreifenden Energiesystemen zu automatisieren und mit Hilfe von maschinellem Lernen und Metadaten die Anlagenparameter kontinuierlich anzupassen. Durch Transfer Learning können Messdaten anderer Gebäude als Trainingsdaten verwendet werden. Der Heizenergiebedarf wird mit Hilfe von neuronalen Netzen prognostiziert. Die entwickelten Prognose- und Regelungsmodelle werden in Kombination mit der Kommunikationsschnittstelle bei mehreren Gebäuden angewendet. Hierdurch sollen Generalisierungsmöglichkeiten gefunden werden, durch die das Trainieren bei neuen Gebäuden schneller erfolgen kann. Das Alleinstellungsmerkmal der Projektidee ist die Symbiose der Algorithmenentwicklung und ihre unmittelbare Validierung im Praxiskontext. Der Arbeitsschwerpunkt für Green Fusion liegt hierbei in der Entwicklung einer modularen Simulationsbibliothek des Energiesystems im Gebäude sowie der Anbindung der Objekte an die Kommunikationsschnittstelle durch die Cloud.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Bewölkung ? Symbiose ? Wärmeversorgung ? Stromerzeugung ? Strompreis ? Gebäude ? Szenario ? Wetterdaten ? Metadaten ? Wärmebedarf ? Energiesystem ? Künstliche Intelligenz ? Messdaten ? Simulationsmodell ? Forschungsprojekt ? Wolkenbildung ?

Region: Brandenburg

Bounding boxes: 6.14466° .. 6.14466° x 50.69716° .. 50.69716°

+−

Leaflet | © OpenStreetMap

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Green Fusion GmbH (Betreiber*in)
• Technische Universität Berlin, Institut für Energietechnik, Hermann-Rietschel Institut, Fachgebiet Gebäude-Energie-Systeme (Energie, Komfort und Gesundheit in Gebäuden) (Mitwirkende)
• Umweltbundesamt (Bereitsteller*in)

Time ranges: 2023-05-01 - 2026-04-30

Alternatives

• Language: Englisch/English
  Title: Development of a self-opt. Control for the efficient and grid-serving operation of (regenerative) energy systems using machine learning
  Description: Deviating from conventional standard methods for the control of heat generators, a variety of internal and external input variables are to be used for control in the project. These include weather data, electricity prices, electricity generation and correlation variables for occupancy. Not only current state variables but also future values flow into the decision-making process for control. This means that predictive and forward-looking control is used instead of reactive standard control. For such an optimization task with a large number of input variables and a longer observation horizon, machine learning methods such as reinforcement learning are suitable. The advantage of this method is a demand-oriented and economic heat supply. With the help of simulation models, a large number of scenarios can be simulated and used as training data. The goal of the research project is to automate the optimization of cross-sector energy systems and to use machine learning and metadata to continuously adjust system parameters. Through transfer learning, measurement data from other buildings can be used as training data. Heating energy demand is predicted using neural networks. The developed prediction and control models are applied to several buildings in combination with the communication interface. Thereby generalization possibilities shall be found, by which the training can be done faster for new buildings. The unique selling point of the project idea is the symbiosis of algorithm development and its immediate validation in a practical context. The focus of Green Fusion's work here is the development of a modular simulation library of the energy system in the building and the connection of the objects to the communication interface through the cloud. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1119223

Status

Aktiv

Quality score

• Overall: 0.47
• Findability: 0.54

  • Title: 0.06
  • Description: 0.18
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.