Selbstlernende PID-Regler für sich selbst optimierende Netzeinspeisestationen - z.B. für Solarthermieanlagen

Description: Das Ziel dieses Vorhabens ist die Entwicklung und Erprobung eines neuartigen, auf Maschinellem Lernen basierenden Regelprinzips, mit dem die Regelung zentraler und dezentraler Einspeisestationen für Wärmeerzeugungsanlagen mit fluktuierenden Quellen durch Optimierung der Parametrierung in Abhängigkeit der äußeren Einflüsse zum Lernen befähigt wird. Im Forschungsvorhaben wird die Solarthermie als eine der am stärksten fluktuierenden Quellen bearbeitet. Das Vorhaben wird durch die SAMSON AG koordiniert und zusammen mit dem Verbundpartner Solites als Teil der Steinbeis Innovation gGmbH durchgeführt. Basis der Arbeiten sind im Wärmenetzbereich typische PID-Regler. Es wird eine künstliche Intelligenz (KI) zur stetigen Optimierung der Regelparameter entwickelt, die in einer Netzeinspeisestation einer Solarthermieanlage getestet wird. Die KI basiert hierbei auf Algorithmen zum maschinellen Lernen. Diese werden trainiert, in dem sie an einen virtuellen Zwilling einer Realanlage gekoppelt und variierende Betriebszustände simuliert werden. Solites führt im seinem wissenschaftlichen Teilvorhaben die allgemeinen Vorausentwicklungen durch, um die notwendigen Programme zum Maschinellen Lernen sowie die erforderlichen Simulationsmodelle zu erstellen. Solites erprobt und validiert diese. Die SAMSON AG überführt die erzielten wissenschaftlichen Ergebnisse in deren eigene Produktwelt und entwickelt eine erste Anwendung für eine selbstlernende PID-Regelung einer Netzeinspeisestation. Der Realtest erfolgt in der solarthermischen Wärmenetzeinspeisung der Stadtwerke Düsseldorf AG (SWD.SOL-Vorhaben).

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Düsseldorf ? Solarthermie ? Solarthermieanlage ? Künstliche Intelligenz ? Simulationsmodell ? Kommunale Versorgungswirtschaft ? Forschungsprojekt ? Arbeit ?

Region: Hessen

Bounding boxes: 9° .. 9° x 50.55° .. 50.55°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Samson AG (Projektverantwortung)
• Solites - Forschungsinstitut für solare und zukunftsfähige thermische Energiesysteme (Mitwirkung)
• Umweltbundesamt (Bereitstellung)

Time ranges: 2023-09-01 - 2027-05-31

Alternatives

• Language: Englisch/English
  Title: Self-learning PID controller for self-optimizing grid feed-in stations - e.g. for solar thermal systems
  Description: The aim of this project is the development and testing of a novel control principle based on machine learning, which enables the control of centralized and decentralized feed-in stations for heat generation plants with fluctuating sources to learn by optimizing the parameterization depending on the external influences. The research project deals with solar thermal energy as one of the most fluctuating sources. The project is coordinated by SAMSON AG and carried out together with the joint venture partner Solites as part of Steinbeis Innovation gGmbH. The work is based on PID controllers typical in the heat grid sector. An artificial intelligence (AI) is being developed to continuously optimize the control parameters, which will be tested in a grid feed-in station of a solar thermal plant. The AI is based on machine learning algorithms. These are trained by coupling them to a virtual twin of a real plant and simulating varying operating conditions. In its scientific subproject, Solites carries out the general advance developments to create the necessary machine learning programs and the required simulation models. Solites tests and validates these. SAMSON AG transfers the scientific results achieved into its own product world and develops a first application for a self-learning PID control of a grid feed-in station. The real test is carried out in the solar thermal heat grid feed-in of Stadtwerke Düsseldorf AG (SWD.SOL project). https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1119369

Status

Aktiv

Quality score

• Overall: 0.51
• Findability: 0.70

  • Title: 1.00
  • Description: 0.18
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.