Physikbasiertes, lernfähiges Energiemanagement zur Sektorenkopplung und Verteilnetzflexibilisierung, Teilvorhaben: Praxisorientierte Machine-Learning-Methoden zur netzdienlichen Steuerung und Optimierung von Gebäude-Energie-Management-Systemen

Description: PhyLFlex zielt darauf ab, die Resilienz und Effizienz von Verteilnetzen in Deutschland durch die Entwicklung und Implementierung fortschrittlicher Gebäude-Energie-Management-Systeme (GEMS) zu verbessern. Angesichts der steigenden Anforderungen an Stromnetze durch den Ausbau erneuerbarer Energien wie Photovoltaik und der zunehmenden Nutzung von Elektrofahrzeugen und Wärmepumpen, werden im Projekt intelligente Lösungen zur Laststeuerung und Netzflexibilisierung entwickelt. Basierend auf den Ergebnissen des Forschungsprojektes STROM wird erwartet, dass durch den Einsatz effektiver GEMS erhebliche Einsparungen bei den Netzausbaukosten erzielt werden können. Diese Systeme werden den Energieverbrauch optimieren und gleichzeitig die Netzstabilität sicherstellen, ohne dass sensible Nutzerdaten an Netzbetreiber übermittelt werden müssen. Durch die Kombination von physikalisch basierten Modellen mit modernen Machine-Learning-Methoden wie Reinforcement Learning (RL) werden innovative GEMS entwickelt, die sich selbstständig an unterschiedliche Gebäudetypen und Netzbedingungen anpassen. Die entwickelten Lösungen werden in realen Umgebungen getestet und weiterentwickelt, um sicherzustellen, dass sie nicht nur theoretisch, sondern auch praktisch anwendbar sind. PhyLFlex trägt so maßgeblich zur Reduzierung von Netzausbaukosten bei und fördert die Integration erneuerbarer Energien, was die Energiewende beschleunigt und die Versorgungssicherheit erhöht. Darüber hinaus unterstützt PhyLFlex die Ziele des 8. Energieforschungsprogramms der Bundesregierung und leistet einen entscheidenden Beitrag zur erfolgreichen Umsetzung der Energiewende in Deutschland. Das Teilprojekt der Hochschule Landshut widmet sich dabei insbesondere der Entwicklung eines RL-basierten GEMS und der Integration dessen mit einem auf konvexer Optimierung basierenden GEMS hin zu einem intelligenten GEMS, das physikalische Gesetze von Energieerhaltung und Energieflüssen innerhalb eines Gebäudes integriert.

SupportProgram

Tags: Energiewende ? Photovoltaik ? Deutschland ? Resilienz ? Stromnetz ? Erneuerbare Energie ? Gebäude ? Wärmepumpe ? Stromeinsparung ? Netzintegration ? Energiemanagement ? Elektrofahrzeug ? Energieverbrauch ? Forschungsprojekt ?

Region: Bavaria

Bounding boxes: 11.5° .. 11.5° x 49° .. 49°

License: Creative Commons Namensnennung-keine Bearbeitung-Nichtkommerziell 4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Finanzielle Förderung)
• Hochschule für angewandte Wissenschaften Landshut (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)

Time ranges: 2025-04-01 - 2028-03-31

Alternatives

• Language: Englisch/English
  Title: Sub-project: Practice-oriented machine learning methods for the grid-friendly control and optimization of building energy management systems
  Description: PhyLFlex aims to improve the resilience and efficiency of distribution grids in Germany through the development and implementation of advanced building energy management systems (GEMS). In view of the increasing demands on electricity grids due to the expansion of renewable energies such as photovoltaics and the increasing use of electric vehicles and heat pumps, the project is developing intelligent solutions for load control and grid flexibilization. Based on the results of the STROM research project, it is expected that the use of effective GEMS will lead to considerable savings in grid expansion costs. These systems will optimize energy consumption while ensuring grid stability without the need to transmit sensitive user data to grid operators. By combining physically based models with modern machine learning methods such as reinforcement learning (RL), innovative GEMS are developed that adapt independently to different building types and grid conditions. The solutions developed are tested and further developed in real environments to ensure that they are not only theoretically but also practically applicable. PhyLFlex thus makes a significant contribution to reducing grid expansion costs and promotes the integration of renewable energies, which accelerates the energy transition and increases security of supply. In addition, PhyLFlex supports the goals of the German government's 8th Energy Research Program and makes a decisive contribution to the successful implementation of the energy transition in Germany. The sub-project of Landshut University of Applied Sciences is dedicated in particular to the development of an RL-based GEMS and the integration of this with a GEMS based on convex optimization to create an intelligent GEMS that integrates the physical laws of energy conservation and energy flows within a building. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1139801

Status

Aktiv

Quality score

• Overall: 0.51
• Findability: 0.69

  • Title: 1.00
  • Description: 0.12
  • 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.