BA/MA – Reinforcement Learning basierter Energiemanagement Ansatz am Beispiel eines Messegeländes

Energiesysteme mit einem hohen Anteil erneuerbarer Energien stellen aufgrund der unterschiedlichen Verfügbarkeit der benötigten Leistungen eine Herausforderung dar, da eine zuverlässige Versorgung zu jeder Zeit sichergestellt werden muss. Dabei unterscheiden sich die Energiesysteme und die Anforderungen an die Versorgung je nach Anwendungsfall (z. B. Urbane Quartiere, öffentliche Einrichtungen und Betriebe). So stehen auch Veranstaltungsgelände aufgrund der komplexen energetischen Gebäudeinfrastrukturen und des hohen
Energiebedarfs während Veranstaltungen vor besonderen Herausforderungen.
Die Einführung eines Reinforcement Learning (RL)-gestützten Energiemanagements für Messegelände eröffnet Chancen für die adaptive Steuerung von Erzeugungsanlagen und Energiespeicher. Aufbauend auf bereits erfolgten Arbeiten soll ein RL-basiertes Energiemanagementsystem entwickelt und untersucht werden. Mit integrierten RL-Agenten soll die Energieerzeugung (PV, Solarthermie) und -speicherung gesteuert werden, um Flexibilität zu erhöhen und die Abhängigkeit von externen Anbietern zu verringern. Der Agent soll selbstständig lernen, wann Energie selbst erzeugt, gespeichert oder zugekauft werden muss, um Lastspitzen zu minimieren, Betriebskosten zu senken und CO2-Emissionen zu reduzieren.
Zur praktischen Demonstration werden Messdaten für Strom-, Wärme- und Kälteleistungen eines Messegeländes aufbereitet und in eine RL-Umgebung überführt. Ein geeigneter RL-Ansatz (z. B. Deep RL mit ActorCritic oder Q-Learning-Varianten) soll trainiert und validiert werden. Verschiedene RL-Ansätze, Belohnungsstrukturen und Modellierungsdetails sollen eingesetzt werden, um die Vorteile eines RL-basierten Energiemanagements zu veranschaulichen und hinsichtlich Effizienz und Genauigkeit vergleichen zu können.

Betreuer: Tobias Beck, Dr. Christopher Lange

Für Studienfächer: EEI, Mechatronik, Energietechnik

Frühest möglicher Beginn: sofort

Verantwortlicher: Prof. Dr.-Ing. Martin März