KI für Energiesysteme
Unter KI für Energiesysteme erforschen wir datengetriebene Methoden zur Prognose, Optimierung und Steuerung in dezentralen, dynamischen Energiesystemen. Schwerpunkte sind selbstlernende Steuerstrategien (z. B. Reinforcement Learning), Zeitreihenprognosen sowie hybride Ansätze, die physikalisches Systemwissen mit Machine Learning verbinden. Durch die Kopplung von KI mit Simulationsumgebungen und traditionellen Optimierungsmethoden können Strategien sicher entwickelt, getestet und robust für den Praxiseinsatz gemacht werden.
- selbstlernende Regelung von PV-Batterie-Systemen, Wärmepumpen und Flexibilitäten
- Smart Charging und Flottenmanagement für Elektromobilität
- Last- und Erzeugungsprognosen für Gebäude, Quartiere und Energiecommunities
- Optimierung von Speichereinsatz, Eigenverbrauch und Netzdienstleistungen
- Anomalieerkennung und Zustandsdiagnose auf Basis von Mess- und Betriebsdaten
- Decision-Intelligence-Algorithmen für Steuerungs- und Planungsaufgaben unter Einsatz von Reinforcement Learning, MPC und stochastischer Optimierung
- Zeitreihenprognosen (Last, Erzeugung, Preise) und probabilistische Vorhersagen
- ML-Ansätze für digitale Zwillinge zur Abbildung komplexer Systeme
- Offline/Online-Evaluierung: simulationsgestützte Benchmarks und A/B-Vergleiche
- MLOps für Energiesysteme: Datenpipelines, Experiment-Tracking und Modellmonitoring
- Skalierbare Recheninfrastruktur (HPC/Cloud) für das Training, die Evaluierung und den produktionsnahen Betrieb von KI-Modellen sowie für umfangreiche Datenanalysen
- Praxistaugliche Simulations- und Testumgebungen zur sicheren Entwicklung, Validierung und Absicherung KI-basierter Steuerungs- und Optimierungsstrategien vor dem Feldeinsatz
- Daten- und Analyseinfrastruktur für die Erfassung, Verarbeitung und Auswertung von Zeitreihen-, Betriebs- und Messdaten
- Entwicklung und Benchmarking KI-gestützter Steuerungs- und Planungsalgorithmen (z. B. Smart Charging, Speicherbetrieb)
- Last- und Erzeugungsprognosen und Optimierungsmodelle für Betrieb und Planung
- Datenstrategie, Datenqualität und Aufbau von ML-Pipelines für Energiedaten
- Prototyping und Pilotierung in Simulationsumgebungen vor Feldtests
Forschungsprojekte
Control of energy systems based on self-learning algorithms
Control of energy systems based on self-learning algorithms
Top Bild: AdobeStock_1884602664