Options
2020
Bachelor Thesis
Titel
Prognosebasierte Steuerung stationärer Batteriespeicher mittels Reinforcement Learning
Abstract
Aufgrund steigender Strompreise ist das Lastmanagement mit Batteriespeicher interessant. Die intelligente Steuerung der Batterie reduziert Leistungsspitzen und führt zu Kosteneinsparungen. Es wird versucht, die Betriebsstrategie durch Vorhersagen des Energieverbrauchs zu verbessern. Die Bachelorarbeit beginnt mit einem Einblick in die Theorie und Anwendung verschiedener Maschine Learning Methoden für Zeitreihenvorhersagen. Mit Hilfe neuronaler Netze, insbesondere LSTM, wurde versucht, elektrischer Last anhand historischer Daten vorherzusagen. Ein Ziel dieser Bachelorarbeit war die Entwicklung eines Modells zur kurzfristigen Vorhersage von Lastgängen. Die erhaltenen Ergebnisse zeigen, dass LSTM kurzfristige Prognosen erstellen kann. Nach den Zeitreihenprognosen befasst sich die Arbeit mit Reinforcement Learning Agenten. Die entworfenen Agenten sollen Batteriespeicher durch Optimierung der Ladestrategie effizient regulieren. Mit einer Belohnungsfunktion,die Rückmeldung über das Verhalten des Batterieagenten gibt, kann die gewünschte Steuerung erreicht werden. Verschiedene Tests werden mit dem Agenten in einer Simulationsumgebung durchgeführt und anschließend validiert. Durch verschiedene Szenarien wurde festgestellt, dass die Einbeziehung der prognostizierten Last zueiner Verbesserung der Ladestrategie führt.
;
The bachelor thesis begins with an insight into the theory and application of various machine learning methods for time series predictions. With the help of neural networks, especially LSTM, attempts were made to predict load profiles based on historical data. One goal of this bachelor thesis was the development of a model for the short-term prediction of load profiles. The results obtained show that LSTM can make short-term forecasts. After the time series forecasts, the work deals with reinforcement learning agents. The agents designed are to regulate battery storage systems efficiently by optimizing the charging strategy. The desired control can be achieved with a reward function that provides feedback on the behavior of the battery agent. Various tests are carried out with the agent in a simulation environment and then validated. Various scenarios have shown that the inclusion of the forecast load profiles leads to an improvement in the charging strategy.
ThesisNote
Augsburg, Univ., Bachelor Thesis, 2020
Advisor
Verlagsort
Augsburg