Über das Buch

Zum Inhalt

Zur Reduktion energiebedingter Treibhausgasemissionen werden Haushalte zunehmend durch Photovoltaik (PV)- oder photovoltaisch-thermische (PVT)-Systeme energetisch versorgt. Durch den volatilen Charakter dieser solaren Systeme wird für deren verstärkte Einbindung in Haushalte eine effiziente Steuerung benötigt.

Das Ziel dieser Arbeit ist es daher ein Steuerungskonzept für solar gespeiste häusliche Energieversorgungssysteme zu entwickeln und simulationsgestützt zu bewerten. Konzeptionell überprüft wird dabei, ob sich eine Steuerung basierend auf Reinforcement Learning dazu eignet, positiv auf Kenngrößen des Betriebes einzuwirken und ob durch eine Implementierung dieser Steuerung eine Verbesserung der Kenngrößen im Vergleich zu einer Referenzregelung erreicht werden kann. Hierfür wird eine bereitstellungsseitige Steuerung vom Durchfluss durch PVT-Systeme, eine nachfrageseitige Steuerung der Beladung von Warmwasserspeichern oder die Steuerung beider Aspekte verwendet.

Das Steuerungskonzept trainiert Steuerungseinheiten anhand eines Trainingsdatensatzes und validiert diese anschließend auf einem unabhängigen Validierungsdatensatz. Dieses Vorgehen ermöglicht eine Quantifizierung sowohl des Trainings- als auch des Validierungserfolges.

Die simulationsgestützte Evaluation zeigt, dass das Steuerungskonzept Steuerungseinheiten erfolgreich trainieren, valideren und durch deren simulationsgestützte Implementierung die Kenngrößen von häuslichen Energieversorgungssystemen verbessern kann. Die dabei quantifizierbaren Effekte sind konsistent über eine Vielzahl der untersuchten Fälle zu detektieren und über die untersuchten Einfamilienhäuser je Fall ebenfalls in ähnlichen Größenordnungen nachzuweisen.

Das entwickelte Steuerungskonzept kann somit als geeignet im Hinblick auf eine simulationsgestützte Betrachtung bewertet werden. Bei einer erfolgreichen Erprobung dieser Ergebnisse ist es möglich, volatile erneuerbare Energien in Haushalte…

Schlagworte

Photovoltaik, Photovoltaik-Thermie, Wärmepumpe, Reinforcement Learning, Künstliche neuronale Netze, Energiesystem, Regenerative Energien, Energietechnik