Einsatz von Maschinellem Lernen zur Optimierung des Energiemanagements
Um die Modelle auch im laufenden Betrieb effizient einzusetzen, nutzen wir Methoden zur Modellordnungsreduktion sowie Maschinelles Lernen. So entstehen generische, online-fähige Modelle für das Netzverhalten ebenso wie für einzelne Komponenten wie Erzeuger, Leitungen oder Lasten. Diese Modelle bilden zugleich die Basis für die verteilte prädiktive Steuerung (MPC), ergänzt durch Prognosen zu erneuerbaren Energien und Verbrauchslasten.
Nach der Validierung des Digitalen Zwillings folgt im zweiten Schritt das Entwickeln des digitalen Kerns des Projektes: ein hierarchischer, verteilter, prädiktiver Modellregler (Hierarchical Distributed Model Predictive Controller HDMPC). Er ist mit entscheidenden Eigenschaften ausgestattet: Plug-and-Play-Fähigkeit für einfache Integration und Skalierbarkeit, Selbstheilung zur Reaktion auf Störungen sowie intelligentes Degradationsmanagement für eine nachhaltige Systemsteuerung.
Dies ermöglicht skalierbare digitale Lösungen, die bestehende und zukünftige Netzwerke einfach integrieren können. Das gesamte Energiesystem kann so als Netzwerk aus Energiezellen betrachtet werden, in dem die Verbindungen sowohl physische als auch digitale Bereiche umfassen.