Neuronale Netze zur Modellierung und Optimierung großer Multienergiesysteme auf Basis hochdimensionaler Modelica-Modelle

Die Energielandschaft unterliegt derzeit einem grundlegenden Wandel von wenigen zentralen Erzeugern hin zu zahlreichen dezentralen Erzeugern und aktiven Verbrauchern. Dabei spielt die Integration mehrerer Energieformen, wie Elektrizität, Wärme und Mobilität eine zunehmende Rolle. Durch die Nutzung von erneuerbaren Energien rücken darüber hinaus der Transport und die Speicherung in den Fokus (Power-to-X).

Die Modellierung, Simulation und Optimierung großer Elektroenergiesysteme ist aus heutiger Sicht grundlegend zur Beherrschung der zunehmenden Komplexität der resultierenden Multienergiesysteme. Seit einigen Jahren hat sich die objekt-orientierte Modellierungssprache Modelica als geeignetes Werkzeug zur Modellierung dynamischer Systeme über mehrere physikalische Domänen hinweg etabliert und wird entsprechend zur Simulation von Multienergieesystemen eingesetzt. Da es sich allerdings hierbei um sehr große differential- algebraische Gleichungssysteme handelt, stoßen die heutigen Modelica-Tools bei diesen hochdimensionalen Anwendungsmodellen an ihre Grenzen. Die Entwicklung neuer Technologien ist notwendig um akzeptable Übersetzungszeiten bzw. Simulationszeiten zu erhalten. Im Rahmen des hier vorgesehenen Projekts sollen einerseits array-basierte symbolische Transformationsalgorithmen entwickelt werden, um den Übersetzungsprozess sowie die Code-Generierung zu optimieren.

Andererseits sollen Neuronale Netze eingesetzt werden um das dynamische Verhalten von Teilsystemen oder des Gesamtsystem zu erlernen und dadurch den manuellen Modellierungsaufwand und die Simulationszeiten des Gesamtsystems erheblich zu verkürzen. Aufbauend auf die Simulationsmodelle werden im weiteren Verlauf der Untersuchungen Optimierungsverfahren zum Einsatz kommen, so dass im Rahmen des Projekts geprüft wird, inwieweit die Simulationsmodelle auf Basis der Neuronalen Netze genutzt werden können, um die benötigten Laufzeiten der Optimierung zu verringern. Konzeptionell lernen die neuronalen Netze anhand vom Systemverhalten, so dass in einem weiteren Schritt das Erlernen des dynamischen Systemverhaltens auf real gemessenen Daten durchgeführt werden soll. Nach der Errichtung neuer Energiesysteme kommen Modelle zur Analyse und Optimierung des Betriebs zum Einsatz. Bedingt durch die hohe Anzahl kleiner Erzeugungseinheiten werden automatische Methoden zur Anomaliendetektion benötigt.

Neuronale Netze zur Modellierung und Optimierung großer Elektroenergiesysteme
Der Studierende soll in diesem Projekt sich zuerst in die Modellierung und Simulation von Elektroenergiesystemen einarbeiten. Des Weiteren sollen schon vorhandene Kenntnisse zur numerischen Behandlung von gewöhnlichen Differentialgleichungen vertieft werden und die Grundprinzipien des Maschinellen Lernens er- arbeitet werden. Darauf aufbauend soll eine geeignete Datenbasis bzw. Lernsituation geschaffen werden. Nach Einarbeitung und Selektion geeigneter Maschineller Learn-Verfahren zum Training von Neuronalen Netzen wer- den erste Versuche zur Nachbildung des dynamischen Verhaltens der zugrundeliegenden Elektroenergiesysteme durchgeführt.

Bezug zum Thema Data Science
Zur Bearbeitung des Forschungsprojekts müssen eine geeignete Datenbasis (Trainings- und Evaluierungsdaten) geschaffen sowie auf das Ziel sinnvoll anwendbare Methoden des maschinellen Lernens ermittelt und diese umgesetzt werden. Diese Anforderungen gehören zu den Kernthemen der Data Science und werden in den Veranstaltungen des Forschungsmasters behandelt.

Verfügbare Ressourcen
Expertise und Informationen aus dem mathematischen und physikalischen Anwendungskontext des Projekts werden von den Mitarbeitern der Arbeitsgruppe “Process Optimization Technologies” von ABB und der Arbeitsgruppe um Prof. Bachmann unterstützend zur Verfügung gestellt. Falls erforderlich sind Kenntnisse zur Nutzung von HPC Hardware und -Systeme für komplexe Berechnungen in der Arbeitsgruppe von Prof. Bachmann vorhanden. Weitere HPC Ressourcen stehen über das PC2 der Universität Paderborn zur Verfügung. Nach der Projektlaufzeit wird das Thema voraussichtlich zu weiteren Anschlussprojekten an der HSBI führen. Je nach Finanzierungslage ist eine Anstellung über das Masterstudium hinaus in Folgeprojekten möglich.

Projektplan
Erstes Semester: Einarbeitung in die notwendigen Grundlagen (Elektroenergiesysteme, Modelica, Differential- algebraische Gleichungen, ...). Erstellung eines Forschungsexposés ist Prüfungsleistung.

Zweites Semester: Implementierung erster Verfahren und Festlegung von Testszenarien. Erstellung eines Papers, das einen Überblick über das jeweilige Forschungsgebiet gibt ist Prüfungsleistung.

Drittes Semester: Anwendung ausgewählter Lern-Verfahren auf vorgegebene Szenarien. Erstellung eines Papers, mit ersten quantitativen Ergebnissen ist Prüfungsleistung.

Viertes Semester: Anpassung und Optimierung der verwendeten Verfahren, Auswertung der Güte und Evaluierung der Ergebnisse, Masterarbeit und Kolloquium

Eignungskriterien
Zwingend Kenntnisse in:

• Objekt-orientierte Programmierung (C/C++)
• Funktionaler Programmierung mit MetaModelica
• Bachelor-Abschluss in Angewandte Mathematik

Optional Kenntnisse in:

• Python und/oder Julia
• Objektorientierte Modellierung mit Modelica
• Neuronale Netze und Maschinelles Lernen
• Modellbasierte Regelungstechnik

Erwerbbare Kompetenzen