Auf maschinellem Lernen basierende Planung und Betreibung strömungsabhängiger erneuerbarer urbaner Energieressourcen

• Antragsteller: Dr. Mario Rüttgers
• Fachliche Zuordnung: Strömungsmechanik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Elektrische Energiesysteme, Power Management, Leistungselektronik, elektrische Maschinen und Antriebe
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 535640183

Das Hauptziel dieses Projekts besteht darin, ein Werkzeug zu entwickeln, mit dem die Nutzung erneuerbarer urbaner Energieressourcen, die durch meteorologische Strömungsphänomene beeinflusst werden, optimiert wird. Zu diesen Ressourcen gehören urbane Windkraftanlagen, die von urbanen Strömungsfeldern beeinflusst werden, und Photovoltaikanlagen, die von der Wolkenbewegung in atmosphärischen Strömungsfeldern abhängig sind. Die Ressourcen werden weiter in Windkraftanlagen mit horizontaler Achse, Windkraftanlagen mit vertikaler Achse, externe Photovoltaiksysteme und gebäudeintegrierte Photovoltaiksysteme unterteilt. Das zu entwickelnde Werkzeug hat hauptsächlich zwei Funktionalitäten. Mit der ersten Funktionalität werden sinnvolle und energieeffiziente Kombinationen und Standorte der verschiedenen Energieressourcen bestimmt. Dies wird mit einem Reinforcement-Learning-Algorithmus realisiert, der die verschiedenen Energieressourcen bewegt und/oder ersetzt und nach jeder Änderung Feedback in Form der gesamten Wind- und Solarstromerzeugung erhält. Der Algorithmus wird für einen vergangenen Zeitraum trainiert. Die Stromerzeugung wird von atmosphärischen und urbanen Strömungsfeldern abgeleitet, wobei Einflüsse von umliegenden Objekten oder Leistungstabellen der Anlagen berücksichtigt werden. Dabei werden die atmosphärischen Strömungsdaten aus einer Datenbank extrahiert und die urbanen Strömungsfelder von einem Physics-aware Graph Neural Network (PA-GNN) generiert. Das PA-GNN nutzt bei der Generierung Randbedingungen aus den atmosphärischen Strömungsdaten. Die zweite Funktionalität konzentriert sich auf den Betrieb der Energieressourcen, sobald ihre Standorte festgelegt sind. Zunächst wird ein künstliches neuronales Netzwerk verwendet, um zukünftige atmosphärische Strömungsfelder vorherzusagen. Danach generiert das zuvor erwähnte PA-GNN das zukünftige urbane Strömungsfeld. Rotierbare horizontale Windturbinen können darauf basierend ausgerichtet und die künftige Windstromerzeugung mit Hilfe von Leistungskurven berechnet werden. Gleichzeitig kann die zukünftige urbane Solarstromerzeugung aus den vorhergesagten atmosphärischen Strömungsfeldern abgeleitet werden. Schließlich hilft die kombinierte zukünftige Stromerzeugung aus Wind und Sonne dabei festzulegen, wieviel Energie von strömungsabhängigen urbanen Energieressourcen bereitgestellt wird und welcher Anteil von weiteren Ressourcen bereitgestellt werden muss, um den Gesamtbedarf zu decken. Das Werkzeug hat das Potential einen bedeutenden Beitrag zur Verwirklichung energieautarker oder energiepositiver Städte zu leisten. Weiterhin legt es den Grundstein für einen Folgeantrag im Rahmen des Emmy-Noether Programmes, in dem eine GNN-basierte Optimierung für Anwendungen aus den Lebens-, Umwelt- und Energiewissenschaften angestrebt wird.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: Südkorea
• Gastgeber: Professor Sangseung Lee, Ph.D.