DARE: Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme

Motivation

Die Transformation hin zu einer nachhaltigen, effizienten sowie kostengünstigen Energieversorgungsstruktur ist eine der zentralen Herausforderungen des 21. Jahrhunderts. Um die Energiewende zu realisieren, k?nnen zellulare und dezentrale Energiesysteme, so genannte Microgrids, eine wichtige L?sungskomponente darstellen. Microgrids sind lokale Energienetze, die sowohl netzgekoppelt als auch autonom im Inselbetrieb operieren und Industrieunternehmen und Haushalte mit Energie versorgen k?nnen. 365足彩投注_365体育投注@ bestehen aus Energiequellen (z.B. Windkraftanlagen), Energiespeichern (z.B. Batterien) und Energieverbrauchern verschiedener Sektoren (Elektrizit?t, W?rme, Mobilit?t) und haben den Vorteil, dass durch deren lokale Integration, regenerative Energie verbrauchsnah bereitgestellt und damit über kurze Entfernung direkt vom Verbraucher genutzt werden kann.

Microgrids k?nnen ein gro?es Potential für die Energiewende mit sich bringen, jedoch geht dies auch mit Herausforderungen einher, die noch bew?ltigt werden müssen. Dezentrale, elektrische Energienetze stellen besondere Herausforderungen an die Betriebs- und Regelungsverfahren zur Sicherstellung der Energieversorgung, denn sie verfügen in der Regel über wenig Schwungmassen zur Stabilisierung der Netzfrequenz und -spannung. Regenerative und volatile Kraftwerke (Wind, PV) sowie elektrische Speicher werden daher über leistungselektronischem Steller in die lokalen Netze eingebunden.

Ziele und Vorgehen

Zum Betrieb und zur Regelung derart stochastischer, heterogener und volatiler Energienetze k?nnen die traditionellen Top-Down-Strategien zentraler Gro?netze nicht übertragen werden. Als m?gliche L?sung zeichnen sich stattdessen datengetriebene und selbstlernende Verfahren ab, z.B. aus dem Bereich des Reinforcement Learning. Hierbei ist jedoch das Problem, dass diese lernenden und neuartigen Regelungsverfahren aufgrund von Sicherheits- und Verfügbarkeitsaspekten nicht unmittelbar im Feld eingesetzt werden k?nnen, sondern zun?chst auf Basis synthetischer Daten in einem geschlossenen Simulationszyklus verbessert und bewertet werden müssen.

Das Ziel innerhalb des Projektes DARE ist es daher, ein Open-Source Simulations- und Benchmarkframework aufzubauen, welches den zuvor erl?uterten Problemrahmen beim Betrieb dezentraler Energienetze abbildet. Durch leicht zug?ngliche sowie standardisierte Trainings-, Validierungs- und Benchmarkwerkzeuge soll die Erforschung datengetriebener Regler für die Energietechnik beschleunigt und vergleichbar gemacht werden.

Innovation und Perspektiven

Die Transformation des derzeitigen Energieversorgungssystems auf eine nachhaltige und durch erneuerbare Energie gepr?gte Struktur voranzutreiben, stellt das übergeordnete Ziel des Projektvorhabens dar.

In l?ndlichen, sp?rlich besiedelten R?umen der Schwellen- und Entwicklungsl?nder (z.B. die Region Sub-Sahara Afrika aber auch Teile Südamerikas und Ost-Süd-Asien) sollen die Projektergebnisse einen Beitrag zur nachhaltigen Elektrifizierung leisten. Denn in diesen R?umen steht der Aufbau einer zentralen Energieinfrastruktur auch langfristig nicht in Aussicht. Eine frei konfigurierbare und parametrierbare Toolbox kann hier genutzt werden, um zielgenau lokale Bedingungen in der Simulation abzubilden. Hierdurch k?nnen Eigenschaften wie die Netzstabilit?t auf unterschiedliche Zeitskalen genau untersucht und Ma?nahmen zur Verbesserung abgeleitet werden.

Innerhalb des Projektes wird eine solche Toolbox als Open-Source Software aufgebaut, die auch Unternehmen als erg?nzendes Entwicklungstool zur Auslegung und Analyse von in Planung befindlichen dezentralen Energienetzen nutzen k?nnen. Ebenso werden auch akademischen Institutionen bef?higt mit der Toolbox forschungsorientierte Simulations- und Regelungswerkzeug zu entwickeln.

Durch die Integration wirtschaftlicher Partner aus der energietechnischen Praxis erm?glichen au?erdem die Abbildung realistischer Bewertungsszenarien. Das zu erstellende Open-Source Framework besitzt daher auch das Potenzial einen wichtigen Beitrag für den Transfer von datengetriebenen Reglern in der Simulation und in der Praxis zu leisten.