Aufgrund der begrenzten Anzahl an Fernwärmeversorgungssystemen in Deutschland und ihrer Individualität sind deren Daten für Forschungszwecke schwer nutzbar und unpublizierbar. Denn anhand der sensiblen Daten ist die Zugehörigkeit zu bestimmten Versorgern erkennbar, sodass die Gefahr von Missbrauch besteht. Unter Nutzung von künstlicher Intelligenz, genauer Deep Reinforcement Learning (DRL), sollen für Forschungszwecke künstliche Beispielsysteme der Fernwärmeversorgung erzeugt werden, die gleichzeitig repräsentativ und abstrakt genug sind, um über Modellierung und Simulation aktuelle Fragestellungen der Fernwärmebranche und der Politik untersuchen zu können. Dies können beispielsweise Analysen zur Dekarbonisierung der Fernwärme, etwa bezüglich kostenoptimaler Transformationspfade, des Einflusses regulatorischer Rahmenbedingungen oder zur Bedeutung von Wasserstoff in der Fernwärme sein. 

Das Projekt ist interessant für:

Fernwärme-Versorger, Stadtwerke

Ziele

  • Nutzung von Deep Reinforcement Learning zur Erzeugung von charakteristischen Kenngrößen synthetischer Fernwärmeversorgungssysteme 
  • Methodenentwicklung und Proof of Concept anhand des Einsatzes der künstlichen Systeme für die  Ermittlung von kostenoptimalen Pfaden zur Dekarbonisierung mit investSCOPE 

Methoden

  • Reinforcement Learning ist die dritte Gruppe von Verfahren des Machine Learning (neben Supervised und Unsupervised), wobei die Ziellösungen auf Basis von selbstgelernten Strategien und als Feedback erhaltener Belohnungen im Trial-and-Error-Verfahren generiert werden. Dabei werden keine Trainingsdaten benötigt. Stattdessen werden sehr viele Simulationswiederholungen ausgeführt, um die Strategien zu verbessern und die Belohnung zu maximieren, und somit eine optimale Lösung zu finden.
  • investSCOPE optimiert Transformationspfade zur Dekarbonisierung von Erzeugungsportfolios unter Berücksichtigung betriebswirtschaftlicher Kennzahlen. Das heißt, es wird bestimmt, in welche Technologie zu welchem Zeitpunkt und zu welchen Kosten investiert werden sollte, um einen betriebswirtschaftlich optimalen Pfad zur Entwicklung eines Portfolios zu erreichen
  • Über eine Berücksichtigung des Einflusses von prognostizierten Kosten- und Preisentwicklungen von Technologien, Brennstoffen, Strom und CO2,  einer Veränderung der Wärme- oder Strombedarfe und von Anreizmechanismen werden robuste, zukunftsfähige Investitionsstrategien ermittelt
  • Das auf Python bzw. Pyomo-basierende Tool nutzt die Methode der gemischt-ganzzahlig linearen Optimierung (MILP) sowie die Kapitalwertmethode

Projektpartner

Praxispartner 

  • N-Ergie 
  • Stadtwerke Duisburg 
  • Stadtwerke Düsseldorf 
  • Stadtwerke Lemgo 
  • Städtische Werke Kassel 

Wissenschaftliche Partner 

  • TU Berlin, Institut für Energietechnik 

Projektmitarbeiter: Martin Wiemer, Pedro Gíron, Nazgul Asanalieva, Britta Zimmermann

Veröffentlichungen
  • Eine Veröffentlichung im Rahmen der ECML-PKDD 2022 ist geplant 
Projektlaufzeit

1.12.21 – 31.05.22

Dr. Martin Wiemer

Fraunhofer IEE

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

AAE - Adversarial Attacks im Energiesektor
SmartChargingPilot