Motivation
Im Zuge der Energiewende sind dezentrale, elektrische Energienetze, sog. Microgrids (μG), eine wichtige Lösungskomponente, um eine durchgängige effiziente Energieversorgung sicherzustellen. Als μG wird das Konzept eines lokalen Netzes bezeichnet, welches aus Energiequellen (z.B. Windkraftanlagen), Energiespeichern (z.B. Batterien) und Energieverbrauchern verschiedener Sektoren (z.B. Elektrizität, Wärme, Mobilität) besteht. Durch die Integration regenerativer Energien mittels μG, z.B. innerhalb von Industrieunternehmen oder Wohnquartieren, wird Energie lokal erzeugt und genutzt. Die überregionalen Energienetze werden dadurch entlastet und der Bedarf an weiterem neuen Netzausbau gesenkt. μG verfügen i.d.R. über wenig Energiespeicher, um die Netzfrequenz und -spannung zu stabilisieren. Stattdessen werden auf regenerativen Energien basierende Kraftwerke (Wind, Photovoltaik), die starken Leistungsschwankungen unterliegen (volatil), sowie elektrische Speicher mittels elektrischer Steller (Regler) in die lokalen Netze eingebunden. Zudem sind μG heterogen und je nach Anwendungsgebiet anders ausgerichtet. Zum Betrieb und zur Regelung derartiger heterogener und volatiler Energienetze zeichnen sich datengetriebene, adaptive und selbstlernende Verfahren, bspw. aus dem Bereich des Reinforcement Learning (RL), als mögliche Lösungsansätze ab. Aufgrund von Sicherheits- und Verfügbarkeitsaspekten können diese lernenden Regelungsverfahren nicht unmittelbar im Feld eingesetzt werden, sondern müssen zunächst auf Basis synthetischer Daten in einem geschlossenen Simulationszyklus bewertet und verbessert werden.
Ziele und Vorgehen
Ziel des Projekts DARE ist es, ein Open-Source Simulations- und Benchmarkframework zu entwickeln, das den Betrieb von heterogenen und volatilen Energienetzen mit Hilfe von RL-basierten Regelungs- und Betriebsstrategien steuert. Im Projekt wird hierzu eine quelloffene Entwicklungstoolbox erarbeitet, die unterschiedliche Modellklassen und datengetriebene Verfahren aus dem Bereich des Maschinellen Lernens, sowie quantifizierbare Maßstäbe (Benchmarks) beinhaltet. Die hierfür erforderlichen synthetischen Daten zum Training von RL- basierten Regelungs- und Betriebsstrategien sollen zur Laufzeit des ML-Verfahrens dynamisch erzeugt werden und in einer Simulationsumgebung validiert werden.
Innovationen und Perspektiven
Durch die Beteiligung der assoziierten Partner, WestfalenWIND GmbH und Westfalen Weser Netz GmbH, werden die Simulationsumgebung und die standardisierten Testfälle an realen Herausforderungen ausgerichtet. Das zu erstellende Simulations- und Benchmakframework soll als Open-Source Lösung der Wissenschaft und Industrie zur Verfügung gestellt werden. Das Vorhaben wird somit einen wichtigen Beitrag zum Transfer datengetriebener Regler von der Simulation hin zum Feldeinsatz leisten.