Reinforcement Learning for Energy Management Systems
MITGLIED IM KOLLEG
seit
Prof. Dr. Thomas Hamacher
..
Betreute Projekte:
- Konzeption eines Verfahrens zur technischen und wirtschaftlichen Abbildung, Bewertung und Nutzung von Flexibilitätsmaßnahmen in der Mittelspannungsnetzplanung
- Intelligente und fehlertolerante Modular-Multilevel-Cascade-Converter (ifMMCC) für zukünftige erneuerbare Energiesysteme unter beliebigen Netzfehlern
- Verlustoptimale und dynamische Regelung von elektrisch-erregten Synchronmaschinen
- Reinforcement Learning for Energy Management Systems
Prof. Dr. Maren Martens
Forschungsschwerpunkte:
- Operations Research
- Effiziente Algorithmen
- Datenanalyse & Statistik
- Maschinelles Lernen
Betreutes Projekt:
Reinforcement Learning for Energy Management Systems
Ulrich Ludolfinger
Hochschule für angewandte Wissenschaften Landshut
Reinforcement Learning für Energiemanagementsysteme
Der Umstieg auf dezentrale erneuerbare Erzeuger (z.B. Photovoltaik- und Windanlagen)
erfordert aufgrund deren Wetterabhängigkeit den Strombedarf der Stromerzeugung nach
anzupassen. Aufgrund der großen Anzahl an verteilten Verbrauchern sind hierfür autonome
Steuerungslösungen notwendig. Diese Aufgabe übernehmen in der Industrie und auch in
Eigenheimen Energiemanagementsysteme. Sie erfassen Verbraucher, Speicher und Erzeuger
eines Gebäudes und koordinieren deren elektrischen Betrieb, meist mit dem Ziel die
Energiekosten des Eigentümers zu minimieren. Aktuelle Verfahren solcher
Managementsysteme nutzen Prognosen in Kombination mit linearen Optimierungsmodellen
zum Evaluieren der notwendigen Steuerbefehle für die Verbraucher und Speicher eines
Gebäudes. Die starren mathematischen Modelle erfordern einen hohen
Entwicklungsaufwand und müssen manuell auf die Energiesysteme eines Gebäudes
angepasst werden. Zudem kann aufgrund ihrer strikten Formulierung oft nicht das maximale
Optimierungspotenzial in der Praxis erreicht werden.
Alternative Verfahren für Energiemanagementsysteme könnten Deep-Reinforcement-
Learning-Vorgehen sein. Diese besonders für Steuerungsaufgaben geeigneten Machine-
Learning-Methoden erforschen auf Basis des „Trail and Error“-Prinzips ihre Umgebung
selbstständig. Sie setzen dadurch keine zusätzlichen mathematischen Formulierungen der
physikalischen Zusammenhänge des Energieflusses eines Gebäudes voraus und könnten
somit ein Weg hin zu leicht verwendbaren, erweiterbaren und anpassungsfähigen
Energiemanagementsystemen sein. Es liegt daher nahe in der Forschungsarbeit Deep-
Reinforcement-Learning-Verfahren hinsichtlich ihrer Eignung als Steuerungslösung für
Energiemanagementsysteme zu untersuchen und entwickeln.
