Die Gruppe Optimierung und Regelung (OC) am Institut für Automation und Angewandte Informatik (IAI) forscht an Optimierungs- und Regelungsverfahren, die auf Anwendungen in zukünftigen Energiesystemen zugeschnitten sind. Ein starker Fokus liegt auf der interdisziplinären Forschung zwischen Optimierung, Regelung und Prognose. Im Einzelnen konzentrieren wir uns auf drei Forschungsfelder. Das erste Forschungsfeld ist die Entwicklung von Lösungsverfahren für optimalen Lastfluss. Hier betrachten wir sowohl Unsicherheiten als auch verteilte Algorithmen. Zweitens wollen wir die Theorie der flachen Systeme und hybriden Automaten kombinieren, um neue Steuerungsalgorithmen für das Energiesystem zu ermöglichen. Schließlich untersuchen wir das Zusammenspiel zwischen Vorhersage- und Optimierungsproblemen.

Zusammenspiel von Vorhersage und Optimierung

Mit der Energiewende steigt die Zahl der volatilen und dezentralen Erzeuger, zum Beispiel PV-Anlagen auf Hausdächern. Diese volatilen und dezentralen Erzeuger stellen eine Herausforderung für das Stromnetz dar. Daher muss das Stromnetz flexibler werden und autonomer reagieren. Typische Methoden zur Erhöhung der Flexibilität sind Laststeuerung (Demand-Side-Management) und PV-Speichersysteme. Diese Methoden führen jedoch weitere Optimierungsprobleme ein, die von genauen Prognosen abhängen. Ein PV-Speichersystem für Privathaushalte benötigt zum Beispiel Prognosen für den Verbrauch und die erzeugte Solarenergie.
In unserer Forschung wollen wir daher das Zusammenspiel von Prognosen und Optimierungsproblemen unter Berücksichtigung der realistischen Einschränkungen des Stromnetzes untersuchen. Außerdem wollen wir Prognosemethoden entwickeln, die die spezifischen Eigenschaften von Energiezeitreihen berücksichtigen.

Optimaler Leistungsfluss unter Unsicherheit

Die zunehmende Bedeutung erneuerbarer Energiequellen stellt Stromnetzbetreiber vor die Aufgabe mit einer wachsenden Anzahl unsicherer Parameter zu arbeiten. Die zunehmende Unsicherheit macht das Ziel, bei der Umstellung auf eine saubere Energieerzeugung, eine robuste, zuverlässige und kosteneffiziente Stromversorgung zu gewährleisten, zu einer großen Herausforderung.

Um dies zu bewältigen, ist Stochastic Optimal Power Flow ein bekanntes Optimierungsproblem, das zur Lösung genau dieser Herausforderungen in einem probabilistischen Umfeld eingesetzt wird. Man hat es also mit einem Optimierungsproblem zu tun, das Zufallsvariablen und -vektoren enthält, also ein unendlich-dimensionales Optimierungsproblem.

Eine Lösungsmethode für dieses Problem stammt aus dem Bereich der Uncertainty Quantification. Die Polynomiale Chaos Erweiterung (PCE) liefert eine Hilbert-Raum-Zerlegung von Zufallsvariablen und damit eine endliche Darstellung mittels deterministischer Koeffizienten. Dieser Ansatz hat in der jüngeren Vergangenheit zu vielversprechenden Ergebnissen geführt, hat aber den Nachteil, dass er für größere Problemfälle nicht mehr schnell genug berechenbar ist.

Ziel der aktuellen Forschung ist es, Methoden zu erforschen, zu implementieren und zu analysieren, die versprechen, diesen „Fluch“ der Dimensionalität zu lösen. Unser Hauptaugenmerk liegt dabei auf sparse PCE-Methoden, die eine kompaktere Systemrepräsentation ermöglichen und gleichzeitig eine ausreichend gute Modellapproximation gewährleisten. Weitere Methoden aus der Uncertainty Quantification wie die Sensitivitätsanalyse und Kopulatheorie werden ebenfalls erforscht und einbezogen.

Hybride Systeme und Regelung

Die Kombination digitaler und mechanischer Komponenten in cyberphysischen Systemen, verbunden mit einer immer stärkeren Vernetzung, führt zu einer noch nie dagewesenen Komplexität moderner technischer Systeme. Klassische Ansätze aus der Informatik und der nichtlinearen oder linearen Steuerung sind nicht immer in der Lage, diese Systeme zu modellieren und sicher zu automatisieren. 

Diskrete Modelle wie endliche oder unendliche Automaten sind eine mächtige Modellklasse mit einer reichen Theorie. Eine ebenso wichtige Klasse von dynamischen Modellen sind nichtlineare Differentialgleichungen. Obwohl diese beiden Modellklassen recht ausgereift sind, bleibt ihre Kombination zu hybriden Systemen ein aktives Forschungsgebiet.

Aus technischer Sicht sind cyberphysische Systeme und Netzwerksysteme wie z. B. elektrische Stromnetze, automatisierte Produktionssysteme und Roboter einige der wichtigsten technischen Systeme, die hybrides Verhalten zeigen. Wir glauben, dass die Theorie hybrider Systeme eine wichtige Rolle bei der zukünftigen Entwicklung dieser Systeme spielen kann. Daher erforschen wir neue Methoden und Ansätze, indem wir Konzepte aus der Regelungstheorie wie differentielle Ebenheit und Steuerbarkeit sowie Theorien und Algorithmen aus der Informatik mit der bekannten Theorie hybrider Systeme kombinieren.

DC OPF & Shapley Wert

Mit mehr erneuerbaren Energien (EE) im Stromnetz wird zunehmend dessen Regelung schwieriger. Optimal Power Flow (OPF) spielt dabei eine zentrale Rolle bei der Berechnung der Erzeugung als auch der Lastflüsse.

Zum einen beschäftige ich mich gerade mit DC OPF auf Übertragungsnetzen, und schaue mir an, wie man mit Hilfe von Speichern (Grid Boostern) die Unsicherheiten, die EEs mit sich bringen, absorbieren kann. So wird die Fluktuation von den Generatoren fern gehalten, was die Erzeugungskurven glättet und somit die Regelung erleichtert.

Ein weiteres Thema, das unter anderem der Aufschwung von EEs (z. B. Offshore Windparks), aber auch die steigende Komplexität unserer Energienetze mit sich bringen, ist eine gerechte Kostenverteilung. Wenn zum Beispiel eine Leitung ausfällt, trägt diese Kosten bisher der Übertragungsnetzbetreiber (ÜNB), bzw. die Nutzer durch die Netzentgelte. Ein Ansatz für einen faireren Kostenschlüssel ist der Shapley-Wert, an dem ich demnächst arbeite. Dieses Projekt findet in Zusammenarbeit mit TransnetBW, dem Übertragungsnetzbetreiber des Landes Baden-Württemberg, statt.

Ehemalige Gruppenmitglieder

Riccardo Appino
Alexander Engelmann
Timm Faulwasser
Dr. Martha Maria Fryzstacki
Dr. Taouba Kaouther Jouini
Tillmann Mühlpfordt
Alexander Murray