Motivation
Um das immer komplexer werdende Energiesystem (Energiegewinnung, -speicherung, -nutzung und-transport) weiter beherrschen und optimieren zu können, sind automatisierte und intelligente Lösungen notwendig. Klassische Optimierungsverfahren sind meist für die Nutzung im Echtzeitbetrieb nicht geeignet, da sie keine verwertbare Lösung in angemessener Rechenzeit erzeugen. Bereits existierende regelbasierte Systeme, die heutzutage in der Energiewirtschaft zur Automatisierung eingesetzt werden, sind jedoch nicht imstande, schnell auf neue Situationen zu reagieren und sich selbstständig auf die neuen Gegebenheiten zu optimieren. Probleme, die dadurch innerhalb des Energiesystems auftreten können, reichen von teuren Ausgleichsmaßnahmen bis hin zu kompletten Stromausfällen.
Ziele und Vorgehen
Diese Herausforderung greift das Projekt RL4CES auf und untersucht die Potenziale von intelligenten Algorithmen, sich selbständig an neue Situationen optimal anzupassen. Dazu wird speziell an der Methode des Deep Reinforcement Learning (DRL) geforscht und das Ziel verfolgt, DRL zur Entscheidungsunterstützung und Prozessautomatisierung in die industrielle Anwendung zu integrieren. Um DRL in der Energiewirtschaft erfolgreich einsetzen zu können, werden im Projekt Methoden entwickelt, die den Einsatz von DRL sicherer, effektiver, erklärbar und kostengünstig machen. Um die Anwendung der entwickelten Methoden in der Praxis zu demonstrieren, werden die zwei Anwendungsfälle Automatisierte Netzsteuerung und Automatisierter Energiehandel betrachtet.
Innovationen und Perspektiven
Die Ergebnisse sollen unmittelbar zu wissenschaftlichen Veröffentlichungen auf nationalen und internationalen Konferenzen sowie in Fachzeitschriften führen. Im Rahmen der wirtschaftlichen Verwertung sollen die Ergebnisse in einem ersten Schritt in der Industrie prototypisch umgesetzt und evaluiert werden. Industrie, wie zum Beispiel mit der automatisierten Steuerung der Stromnetze in den Leitwarten oder dem automatisierten Energiehandel.