Der Ausbau der Nutzung von erneuerbarer Energien ist entscheidend für das Erreichen der Klimaneutralität. Insbesondere bei Windkraft- und Photovoltaik (PV) Anlagen wird ein signifikanter Anstieg der Stromproduktion erwartet. Aufgrund der Volatilität von regenerativem Strom aus Wind und PV müssen Lastspitzen im Stromnetz ausgeglichen werden. Dies ist notwendig um die Versorgungssicherheit aufgrund fehlender Netzstabilität sicherzustellen. Die Koordinierung des Lastausgleichs erfordert eine erhöhte Flexibilität in zukünftigen Energiesystemen. Maschinelles Lernen (ML), insbesondere das Reinforcement Learning (RL), kann dabei eine wichtige Rolle spielen. Mit RL können optimierte Steuerungsstrategien entwickelt werden, welche eine Anpassung an dynamische Betriebsbedingungen ermöglichen. Die Leistung und Effizienz von Energiesystemen kann dadurch erheblich verbessert werden und diese somit besser zur Netzstabilität beitragen.

Konzept für die Anwendung von Reinforcement Learning auf einer digitalen Zwillingsplattform.

Der Fokus des Forschungsprojekts RELY liegt auf der Flexibilisierung von Energieanlagen durch optimierte Steuerung mittels ML Technologien. Eine wesentliche Zielsetzung ist die Verbindung von RL-Algorithmen mit Digital Twins (DT). Diese Kombination soll die effiziente, sichere und stabile Steuerung kritischer Prozesse in Energiesystemen verbessern. Um das Potential und die Skalierbarkeit der entwickelten Methoden abzuschätzen wird als Use Case eine im Labor des IET vorhandene reversible Pumpturbine im Labormaßstab eingesetzt. Diese spiegelt Schlüsseleigenschaften von energieerzeugenden Einheiten realer und zukünftiger Energiesysteme wider, wodurch die Zuverlässigkeit von auf RL Algorithmen basierenden Prozesssteuerungen allgemein demonstriert werden kann.

Mit den im RELY Projekt entwickelten Methoden kann die effiziente Produktion von erneuerbarer Energie aus Wasserkraft gestärkt werden. Am IET wird dadurch aktiv ein Beitrag zur klimaneutralen Zukunft beigetragen.

  1. C. Tubeuf, J. Aus der Schmitten, R. Hofmann , C. Heitzinger, & F. Birkelbach (2024) Improving Control of Energy Systems With Reinforcement Learning: Application to a Reversible Pump Turbine. In Proceedings of the ASME 2024