DARE: Training, validation and benchmark tools for the development of data-driven operation and control strategies for intelligent, local energy systems

Motivation

Die Transformation hin zu einer nachhaltigen, effizienten sowie kostengünstigen Energieversorgungsstruktur ist eine der zentralen Herausforderungen des 21. Jahrhunderts. Um die Energiewende zu realisieren, können zellulare und dezentrale Energiesysteme, so genannte Microgrids, eine wichtige Lösungskomponente darstellen. Microgrids sind lokale Energienetze, die sowohl netzgekoppelt als auch autonom im Inselbetrieb operieren und Industrieunternehmen und Haushalte mit Energie versorgen können. Sie bestehen aus Energiequellen (z.B. Windkraftanlagen), Energiespeichern (z.B. Batterien) und Energieverbrauchern verschiedener Sektoren (Elektrizität, Wärme, Mobilität) 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 können ein großes Potential für die Energiewende mit sich bringen, jedoch geht dies auch mit Herausforderungen einher, die noch bewältigt 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.

Objective

Zum Betrieb und zur Regelung derart stochastischer, heterogener und volatiler Energienetze können die traditionellen Top-Down-Strategien zentraler Großnetze nicht übertragen werden. Als mögliche Lösung 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 können, sondern zunächst 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 erläuterten Problemrahmen beim Betrieb dezentraler Energienetze abbildet. Durch leicht zugängliche sowie standardisierte Trainings-, Validierungs- und Benchmarkwerkzeuge soll die Erforschung datengetriebener Regler für die Energietechnik beschleunigt und vergleichbar gemacht werden.

Innovation

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

In ländlichen, spärlich besiedelten Räumen der Schwellen- und Entwicklungsländer (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 Räumen 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 können Eigenschaften wie die Netzstabilität auf unterschiedliche Zeitskalen genau untersucht und Maßnahmen zur Verbesserung abgeleitet werden.

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

Durch die Integration wirtschaftlicher Partner aus der energietechnischen Praxis ermöglichen außerdem 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.