Wasserstoff ist ein Multitalent und gilt als Missing Link der Energiewende. Seine Herstellung benötigt allerdings zunächst einmal sehr viel Energie. Daher besteht der Anspruch für die Elektrolyse vorwiegend überschüssigen Strom aus Solar- und Windenergieanlagen zu nutzen.

Dazu werden Power-to-Gas-Anlagen zur Erzeugung von Wasserstoff mit Photovoltaik- und Windenergieanlagen sowie Speichern kombiniert. Für die industrielle Nutzung des Wasserstoffs können bspw. Gasturbinen eingesetzt werden, die den Strom- und Wärmebedarf von Unternehmen bedarfsgerecht und flexibel decken.

Nun kommt es darauf an, alle drei Segmente optimal einzusetzen. Das Projekt Cognition²H2Force untersucht dazu die Anwendung von Deep Reinforcement Learning. Ziel ist die Entwicklung einer Umgebung, welche es ermöglicht digitale Abbildung des Anlagenportfolios inklusive der relevanten physikalischen und wirtschaftlichen Größen zu erstellen. In dieser Umgebung werden Optimierungsalgorithmen trainiert, welche diese Zusammenhänge erlernen und anschließend bereit sind für die selbstständige Optimierung der kurzfristigen Anlageneinsatzplanung.

Das Projekt ist interessant für:

Energiemanager, Stadtwerke, Energieversorger, WEA-Betreiber, Direktvermarkter, Aggregatoren

Ziele

  • Entwicklung einer Trainingsumgebung für selbstlernende Energiemanagement-Algorithmen
  • Einsatz von Deep Reinforcement Learning Algorithmen für die Einsatzplanung der Steuerung von Elektrolyseuren
  • Berücksichtigung von kurzfristigen Spotmärkten
  • Vergleichsanalyse der Ergebnisse der KI-basierten Energiemanagement-Algorithmen mit einem regelbasierten System sowie bewährten konventionellen Verfahren des Dynamic Programming
  • Proof of Concept in der Simulationsumgebung

Methoden

  • Deep Reinforcement Learning
  • Proximal Policy Optimization (PPO) Algorithmen
  • Entwicklung einer Umgebung in Python, zur Abbildung des Analgenportfolios und der Zusammenhänge der physikalischen und wirtschaftlichen Größen

Projektpartner

Forschungsschwerpunkt Energieinformatik, Fraunhofer IEE

Der Forschungsschwerpunkt Energieinformatik des Fraunhofer IEE widmet sich der Frage, wie sich energiewirtschaftliche und energiesystemtechnische Prozesse durch die Informatik so unterstützen lassen, dass das Energiesystem auch mit einem hohen Anteil dezentraler Erzeugung funktioniert. Zur Beantwortung dieser Fragestellung werden, neben weiteren Forschungsthemen, IT-Architekturen, die Automatisierung gesamter Prozessketten, die Konzeption resilienter digitaler Energiesysteme und die Potentiale der Kognitiven Energiewirtschaft betrachtet. Teil der aktuellsten Forschungsgegenstände ist die Untersuchung der Leistungsfähigkeit von Verfahren der künstlichen Intelligenz und Algorithmen des Maschinellen Lernens im Einsatz von operativen Energiemanagement-Systemen. Im Fokus des Projektes Cognition2HydrogenForce steht dabei die Entwicklung von Energiemanagement-Systemen, welche auf Algorithmen des Deep Reinforcement Learning zurückgreifen und damit in die Lage versetzt werden physikalische und energiewirtschaftliche Zusammenhänge der betrachteten dezentralen Anlagenportfolios zu erlernen, um anschließend selbstständig Entscheidungen über die koordinierte Steuerung der Anlagen zu treffen.

Projektmitarbeiter: Alexander Dreher, Malte Lehna, Jasmin Pfeffer, Cyriana Roelofs, Jonathan Schütt, Wolfgang Slaby, Christoph Scholz

Institut für Kraftwerkstechnik, Dampf- und Gasturbinen (IKDG), RWTH Aachen University

Die Themen des Projekts Cognition2HydrogenForce wurde in einer gemeinsamen Arbeit mit der Gruppe Prozessanalyse und Systeme des IKDG der RWTH Aachen University erarbeitet. Das Institut hat langjährige Erfahrung im Bereich der modellbasierten Analyse und Optimierung von kraftwerkstechnischen Energiewandlungsprozessen. Ein besonderer Schwerpunkt liegt dabei auf der Weiterentwicklung wasserstoffgefeuerter Gasturbinen.

Projektmitarbeiter: Thomas Bexten, Nils Petersen, Tobias Sieker

Projektlaufzeit

Oktober 2020 – April 2021

Alexander Dreher

Produktmanager
Energiemanagement-Systeme

Fraunhofer IEE

+49 (0) 561 7294-1750

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

KI OPF - Das Netzsystem als komplexe Rechenaufgabe
vertikale LastflußprognosenVertikale Lastprognose: Alles im Fluss