SmartPrior erfolgreich abgeschlossen: Vortrainierte Machine Learning-Modelle für die schnelle Auslegung hybrider Energieversorgungssysteme
HintergrundMit dem Ausbau erneuerbarer Energien gibt es bei der Planung von Energieversorgungssystemen im Gebäudebereich immer mehr Möglichkeiten: Welche Technologien sollen eingesetzt werden und in welcher Größe? Dadurch wird es für Planer schwieriger, ein gutes Gesamtsystem zu entwerfen und zu optimieren. Gleichzeitig müssen die dafür genutzten Planungstools schneller, einfacher zu bedienen und aussagekräftiger werden.
Eine Möglichkeit, die Auslegung zu beschleunigen, ist der Einsatz von Machine Learning. Dafür werden zunächst viele Simulationen für unterschiedliche Zusammensetzungen durchgeführt und als Trainingsdaten genutzt. Aus diesen Ergebnissen lernt ein Modell den Zusammenhang zwischen der Zusammensetzung und Dimensionierung des Erzeugerparks und den relevanten Zielgrößen (z. B. Kosten, Emissionen, Versorgungssicherheit). Das Modell kann dann neue, unbekannte Varianten sehr schnell abschätzen, ohne dass dafür jedes Mal erneut eine vollständige Simulation gestartet werden muss.
Der Haken: Die Bildung dieses Machine Learning-Modells kann je nach Umfang viele Stunden bis Tage dauern. Außerdem braucht es Fachwissen, um die Qualität der Modelle zu prüfen und die Ergebnisse richtig zu interpretieren.
Ziel und Ansatz von SmartPrior
Hier setzt das Projekt SmartPrior an. Ziel ist es, die rechenintensiven Schritte (Simulation und Modellaufbau) von der späteren Analyse und Optimierung zu trennen. Endanwender sollen dadurch Ergebnisse nicht erst nach Stunden oder Tagen, sondern in Sekunden bis Minuten erhalten. So werden detaillierte Analysen und Optimierungen auch außerhalb der Forschung im praktischen Einsatz realistisch nutzbar.
Im Projekt wurde daher ein methodischer Ansatz entwickelt, bei dem Machine Learning-Modelle zur Abbildung komplexer Energieversorgungssysteme an typischen Randbedingungen, extrahiert mit Deep Learning Methoden oder Klassifizierungsmethoden aus großen Datenbasen, trainiert werden. Diese vortrainierten Modelle werden anschließend genutzt, um Struktur und Dimensionierung der Systeme effizient zu optimieren. Der Software-Nutzer hat neben dem enormen Geschwindigkeitsvorteil zudem die Wahl aus verschiedenen Optimierungszielen: niedrigste Kosten, beste Ökologie oder beides zusammen im Sinne bester Kompromisse.
Transfer und Abschluss
Im Rahmen der Abschlussveranstaltung wurde die Vorgehensweise zur Energiesystemoptimierung vorgestellt, verglichen und diskutiert. Der Wechsel aus Präsentationen und praxisnahen Hands-on-Elementen unterstützte dabei die Einordnung in reale Planungsanforderungen. Die vollständige Implementierung in ein kommerzielles Planungstool ist nun Aufgabe des des Projektpartners, der Fa. Hottgenroth aus Köln.
