Anwendung von Deep Reinforcement Learning zur Betriebsstrategieoptimierung von Energieversorgungsanlagen der ETA-Fabrik

Zur Erreichung internationaler Klimaschutzziele ist es unerlässlich, den industriellen Energieverbrauch zu reduzieren und den Übergang zu erneuerbaren Energiequellen zu vollziehen. Die Anwendung von Deep Reinforcement Learning zur Betriebsstrategieoptimierung von Energieversorgungsanlagen bietet Potenziale zur Steigerung der Energieeffizienz und -flexibilität sowie zur Kostensenkung. In der vorliegenden Arbeit wird daher die testweise reale Anwendung im Energieversorgungssystem der ETA-Fabrik durchgeführt und evaluiert. Dazu wird ein Vorgehen, bestehend aus fünf Schritten gewählt: Definition der Systemgrenzen und Identifizierung der konventionellen Betriebsstrategie, Auswahl des Frameworks und Modellierung des Energieversorgungssystems, Implementierung des Deep Reinforcement Learning Algorithmus, Implementierung des Frameworks und schließlich die reale Anwendung und Evaluierung. Die Kosten des Deep Reinforcement Learning Algorithmus betragen im simulationsbasierten Vergleich 57 % der Kosten der konventionellen Betriebsstrategie. In der testweisen realen Anwendung zeigt der Deep Reinforcement Learning Algorithmus ein sicheres und robustes Betriebsverhalten, was sich durch eine geringe Schalthäufigkeit und das Einhalten der Temperaturgrenzwerte äußert. In nachfolgenden Forschungsarbeiten sind weitere reale Anwendungen sowie die Anpassung der Belohnungsfunktion notwendig, um Vorteile in Bezug auf die Energieeffizienz und -flexibilität zu erreichen. Zusätzlich müssen Verfahren entwickelt werden, um die Kosten im Realsystem unter Berücksichtigung von variierenden Rahmenbedingungen zu quantifizieren.