Data-driven modeling and optimization of multi-energy systems

Kämper, Andreas; Bardow, André; Müller, Dirk

doi:HT030054384

Data-driven modeling and optimization of multi-energy systems = Datengetriebene Modellierung und Optimierung von Multi-Energiesystemen

Kämper, Andreas^RWTH*

2023

VerantwortlichkeitsangabeAndreas Kämper

Ausgabe1. Auflage

ImpressumAachen : Wissenschaftsverlag Mainz GmbH 2023

Umfang1 Online-Ressource: Illustrationen, Diagramme

ISBN978-3-95886-488-7

ReiheAachener Beiträge zur technischen Thermodynamik ; 41

Dissertation, RWTH Aachen University, 2023

Druckausgabe: 2023. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Bardow, André (Thesis advisor) ; Müller, Dirk (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-03-07

Online
DOI: 10.18154/RWTH-2023-04277
URL: https://publications.rwth-aachen.de/record/956649/files/956649.pdf

Einrichtungen

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Big Data eröffnet neue Chancen für tiefgreifende Erkenntnisse und die Unterstützung von Entscheidungsprozessen. Um diese Chancen zu nutzen, werden Methoden benötigt, die nutzbares Wissen aus großen Datenmengen ableiten. Solche Methoden können helfen, drängende Herausforderungen in vielen Bereichen zu bewältigen. Eine drängende Herausforderung für Energiesysteme ist die notwendige Transformation in Richtung Nachhaltigkeit, um den Klimawandel abzuschwächen. Ein wesentlicher Aspekt dieser Herausforderung ist ein dauerhaft optimaler Betrieb der Energiesysteme. Grundsätzlich lässt sich der optimale Betrieb am besten durch mathematische Optimierung ermitteln. Allerdings sind die manuelle Modellerstellung und die Betriebsoptimierung von Energiesystemen zeitaufwändig und können dadurch eine Anwendung mathematischer Optimierung in der Praxis verhindern. In dieser Arbeit werden Methoden vorgestellt, die anhand von Messdaten automatisch mathematische Modelle von Energiesystemen generieren, um so die zeitaufwändige Modellerstellung deutlich zu verkürzen. Außerdem werden Methoden vorgestellt, die die Betriebsoptimierung von Energiesystemen beschleunigen. Bei der Modellerstellung lösen die vorgestellten datengetriebenen Methoden den Zielkonflikt zwischen Genauigkeit und Berechnungseffizienz des Energiesystemmodells, indem sie jedes Komponentenmodell nach seiner Rolle im Gesamtsystem gewichten. Auf diese Weise erzeugen die Methoden automatisch Energiesystemmodelle, die eine präzise und effiziente Optimierung ermöglichen. Um die Betriebsoptimierungen von Energiesystemen zu beschleunigen, stellen wir zwei Methoden vor, die die komplexen Betriebsoptimierungsprobleme in kleinere Teilprobleme zerlegen. Dennoch liefern die Methoden qualitativ hochwertige Lösungen. Die erste Methode nutzt Expertenwissen über das spezifische Energiesystem und beschleunigt Betriebsoptimierungen erheblich, während sie eine ausgezeichnete Lösungsqualität beibehält. Die zweite Methode setzt künstliche neuronale Netze ein, um Betriebsoptimierungen in zuverlässig kurzer Zeit bei gleichzeitig hoher Lösungsqualität zu lösen. Insgesamt ermöglichen die in dieser Arbeit vorgestellten Methoden eine breitere Anwendbarkeit der mathematischen Optimierung für Energiesysteme.

Big data raises new opportunities for deep insights and supporting decision-making. To seize these opportunities, methods that derive useful knowledge from large amounts of data are needed. Such methods can help meet urgent challenges in many fields. An urgent challenge for energy systems is the necessary transformation towards sustainability to mitigate climate change. One crucial aspect of this challenge is a permanent optimal operation of energy systems. In principle, mathematical optimization can best determine the optimal operation of energy systems. However, manual model generation and operational optimization of energy systems are time-consuming and can thus prevent an application of mathematical optimization in practice.This thesis presents methods that use measured data to automatically generate mathematical models of energy systems to tackle the challenge of time-consuming model generations. Additionally, methods are presented that accelerate the operational optimization of energy systems. Regarding model generation, the presented data-driven methods solve the trade-off between accuracy and computational efficiency of the energy system model by weighting each component model by its role in the overall system. Thereby, the methods automatically generate energy system models that allow for accurate and computationally efficient optimization.To accelerate the operational optimization of energy systems, we present two methods that decompose the complex operational optimization problem into smaller subproblems. The methods provide high-quality solutions. The first method employs expert knowledge about the individual energy system to significantly accelerate the operational optimization while retaining an excellent solution quality. The second method applies artificial neural nets to solve the operational optimization in a reliably short time while offering a high solution quality.Overall, the methods presented in this thesis enable a broader application of mathematical optimization for energy systems.

OpenAccess:
PDF
(additional files)