Menü
Startseite » Studentische Arbeiten » Optimale Steuerung versorgungstechnischer Anlagen mit modellbasierten Ansätzen und maschinellem Lernen

Optimale Steuerung versorgungstechnischer Anlagen mit modellbasierten Ansätzen und maschinellem Lernen

Aufgabenstellung

Unternehmen der industriellen Fertigung befinden sich in einem Spannungsfeld, das zunehmend durch verschärfende Entwicklungen der Produktionsbedingungen wie etwa steigende Energiekosten, knapper werdende Ressourcen und der Forderungen nach gesellschaftlicher Verantwortung beschrieben wird. Smarte Fabriken müssen auf Lastund Bedarfsprognosen mit schwankenden Strompreisen reagieren und es muss eine bedarfsgerechte Versorgung durch dezentrale Energieversorgungsanlagen sichergestellt werden.

Um die Deckung von Energiebedarfen möglichst kosten- und energieeffizient zu gestalten, gibt es verschiedene Möglichkeiten, dezentrale Versorgungssysteme zu steuern. Eine Möglichkeit bieten modellprädiktive Steuerungsansätze mittels gemischtganzzahliger linearer Optimierung (MILP). MILP-Modelle bieten die Möglichkeit, Preisund Bedarfsprognosen transparent zu integrieren, kämpfen jedoch mit der Abstrahierung der Realität. Auf der anderen Seite bieten neue Ansätze des maschinellen Lernens, speziell das Reinforcement Learning (RL), die Möglichkeit auch nicht-lineare Zusammenhänge rechenzeiteffizient einzubinden. Ein Vergleich beider Ansätze hinsichtlich der Durchführbarkeit an realen Systemen steht jedoch noch aus. Das Ziel der Arbeit ist es, zwei bestehende Ansätze für einen konkreten Anwendungsfall echtzeitfähig an einer Simulation zu erproben und schließlich an einem realen System zu implementieren und zu validieren.

Schwerpunkte

Das Arbeitspaket umfasst folgende Punkte:

  • Literaturrecherche zum Stand der Technik echtzeitfähiger Steuerung von versorgungstechnischen Anlagen (Modellprädiktive Regelung mittels MILP-Ansätzen, Steuerung über maschinelles Lernen mittels RL-Ansätzen),
  • Weiterentwicklung der bestehenden Modelle in einer Simulation auf einen Anwendungsfall mit Wärmepumpe sowie thermischen und elektrischen Speichern,
  • Umsetzung des Modells am realen System in der ETA-Fabrik,
  • Auswertung und Validierung.

Notwendige Vorkenntnisse

Überblick

Kontakt

Teile diese Ausschreibung

Share on facebook
Share on google
Share on twitter
Share on linkedin
Share on pinterest
Share on print
Share on email