Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert.
Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/.
Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/.
In dem Ordner ./timeseries_overview/ stehen Angaben zu langen Zeitreihen zur Verfügung.
Abweichend von konventionellen Standardverfahren zur Regelung von Wärmeerzeuger sollen in dem Projekt eine Vielzahl von internen und externen Eingangsgrößen zur Regelung verwendet werden. Hierbei handelt es sich unter anderem um Wetterdaten, Strompreise, Stromerzeugung und Korrelationsgrößen für die Belegung. In die Entscheidungsfindung zur Regelung fließen nicht nur aktuelle Zustandsgrößen ein, sondern auch zukünftige Werte. Es erfolgt somit eine prädiktive und vorausschauende Regelung anstelle einer reaktiven Standardregelung. Für solch eine Optimierungsaufgabe mit einer Vielzahl an Eingangsgrößen und einem längeren Betrachtungshorizont eigenen sich Methoden des maschinellen Lernens wie z.B. dem Reinforcement Learning. Der Vorteil dieser Methode ist eine bedarfsgenaue und wirtschaftliche Wärmebereitstellung. Mit Hilfe von Simulationsmodellen kann eine Vielzahl von Szenarien nachgebildet und als Trainingsdaten verwendet werden. Ziel des Forschungsprojektes ist es, die Optimierung von sektorübergreifenden Energiesystemen zu automatisieren und mit Hilfe von maschinellem Lernen und Metadaten die Anlagenparameter kontinuierlich anzupassen. Durch Transfer Learning können Messdaten anderer Gebäude als Trainingsdaten verwendet werden. Der Heizenergiebedarf wird mit Hilfe von neuronalen Netzen prognostiziert. Die entwickelten Prognose- und Regelungsmodelle werden in Kombination mit der Kommunikationsschnittstelle bei mehreren Gebäuden angewendet. Hierdurch sollen Generalisierungsmöglichkeiten gefunden werden, durch die das Trainieren bei neuen Gebäuden schneller erfolgen kann. Das Alleinstellungsmerkmal der Projektidee ist die Symbiose der Algorithmenentwicklung und ihre unmittelbare Validierung im Praxiskontext. Das Hermann-Rietschel-Institut hat als Arbeitsschwerpunkt die Entwicklung des Heizlastprognosemodells und dem Regelungsalgorithmus für die Wärmeerzeuger.
Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert.
Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/.
Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/.
Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs auch unter Einsatz von privaten 5G-Netzwerken entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, einem Microgrid, entworfen. Die Kommunikation zwischen und innerhalb der DER soll mittels Mobilfunktechnologie erfolgen. Dabei soll die Energieoptimierung mittels KI-Algorithmen erfolgen und auch den Energietransport mit Fahrzeugen berücksichtigen. Die softwareseitige Integration der KI-Algorithmen und des Energiemanagementsystems in das Kommunikationssystem ist ein wesentlicher Bestandteil dieses Projektes. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet.
Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, Microgrid, entworfen. Im Anschluss werden Mobilitätsalgorithmen für die Nutzung von batterieelektrischen Fahrzeugen als mobile Energiespeicher entwickelt, die temporäre Selbstversorgung von Teilnetzen ermöglichen. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet und anhand des dadurch erarbeiteten Know-hows weiter verbessert. Das übergeordnete Ziel des Projektes DymoBat ist die Entwicklung von marktfähigen Lösungen für die zukünftige Stromnetzverwaltung zur Nutzung von verteilten Energieressourcen auf Basis der Anwendung von 5G-Technologien.