Entwicklung eines Algorithmus zur Aggregierung von energetischer Flexibilität mittels Machine Learning Verfahren unter Berücksichtigung des elektrischen Netzes

Durch den notwendigen und geforderten Ausbau von regenerativen Erzeugungsanlagen, Wärmepumpen (WP) und WP kann es aufgrund hoher Last- und Erzeugungsspitzen zu Netzengpässen und -überlastungen kommen. Um einen Netzausbau oder die Abregelungen von regenerativen Erzeugern zu vermeiden, können Flexibilitäten wie Speicher oder Anlagensteuerung dieses Verhalten kompensieren. Dazu sind neue Ansätze in der Netzberechnung und Systembeschreibung notwendig: Der zellulare Ansatz teilt das Energienetz in virtuelle Zellen, welche Erzeugung und Bedarf selbstständig regulieren und übrige Flexibilität der überlagerten Zelle bereitstellen. Aufgrund von Netzrestriktionen sind die Leistungsbereiche von regelbaren Lasten und Erzeugern und somit die maximale Flexibilität in den meisten Fällen eingeschränkt. Unter Berücksichtigung der Netzrestriktionen werden zulässige Grenzpunkte der regelbaren Anlagen in dieser Arbeit mittels einem Machine Learning (ML) Ansatz bestimmt. Anhand von zwei Benchmark-Netz (BN) und generierten Jahreszeitreihen für das Jahr 2050 wurde ein Reinforcement Learning (RL) Ansatz zur Flexibilitätsaggregierung entwickelt. Mit einer Inferenzzeit von unter einer Sekunde prognostizieren die entwickelten RL-Agents zu jeder Zeit zulässige Anlagenzustände, ohne eine Überschreitung der Netzrestriktionen zu verursachen. Die Bestimmung der Flexibilität anhand des kleineren BN 1 liegt zu 100 % im definierten angestrebten Bereich und zeigt die Machbarkeit der Flexibilitätsaggregierung durch RL. Für das komplexere BN 2 liegen 70 % der aggregierten Flexibilitäten im angestrebten Bereich, wobei aufgrund der Netzgröße weitere Trainingsepisoden zu einer verbesserten Performance führen. Nach der Implementierung von Speichern konnten die RL-Agents keine verbesserten Ergebnisse aufweisen. Eine Anpassung der Trainingsdaten mit Fokus auf netzkritischen Zeitpunkten bietet für weitere Untersuchungen die Möglichkeit, eine verbesserte Performance der Agents zu erzielen. Generell ist durch Anpassung der Netzrestriktionen und Netztopologie der RL-Ansatz auf beliebige Zellgrößen anwendbar und die Flexibilitätsaggregierung nach einer Trainingsphase im Vergleich zu iterativen Lösungsverfahren ohne größeren Rechenaufwand möglich.