elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Privacy Policy | Contact | Deutsch
Fontsize: [-] Text [+]

UNSEEN: Bewertung der Unsicherheiten in linear optimierenden Energiesystemmodellen unter Zuhilfenahme Neuronaler Netze

Cao, Karl-Kien and Fuchs, Benjamin and Fiand, Frederik and Koch, Thorsten and Vanaret, Charlie (2021) UNSEEN: Bewertung der Unsicherheiten in linear optimierenden Energiesystemmodellen unter Zuhilfenahme Neuronaler Netze. Jahrestreffen 2021 des Forschungsnetzwerks Energiesystemanalyse, 18.-20. Mai 2021, virtuell.

[img] PDF
338kB

Abstract

Der Einsatz von Modellen zur Erstellung und Untersuchung von Szenarien ist ein wesentliches Instrument der Energiesystemanalyse. Für die Politikberatung ist die Frage nach der Verlässlichkeit von solchen Szenarien von großer Wichtigkeit, da diese mit großen Unsicherheiten behaftet sein können. Diesem Problem wird in UNSEEN begegnet: durch das Abfahren eines sehr großen Parameterraums sollen weit mehr als 1000 Energieszenarien automatisch generiert, berechnet und ausgewertet werden. Hierzu zählen insbesondere auch Extremszenarien. Eine wesentliche Herausforderung ist dabei die Senkung von Modellrechenzeiten zur Lösung gemischt-ganzzahliger Optimierungsprobleme. Im Vorläuferprojekt BEAM-ME wurde mit der Entwicklung und Anwendung des Open Source Solvers PIPS-IPM++ die Voraussetzung für den Einsatz von Hochleistungscomputern zur performanten Lösung dieser Modelle gelegt. Die grundlegende Idee für die Weiterentwicklung ist es eine Methode des Maschinellen Lernens (Reinforcement Learning) zu verwenden, um schnelle Vorhersagen der Ergebnisse eines Optimierungsproblems zu erhalten und diese als Startlösung für einen deterministischen Lösungsalgorithmus zu nutzen. Mittels Modellkopplungen und statistischer Analysen werden ex-post ausführliche Auswertungen des entstehenden Szenarioraums durchgeführt. Hierzu werden multi-kriterielle Indikatoren (u. a. zu Angemessenheit, Betriebssicherheit und Wirtschaftlichkeit) von möglichen, zukünftigen Stromversorgungssystemen ermittelt. Auf dieser Grundlage sollen abschließend Methoden entwickelt werden, um besonders interessante Punkte innerhalb des Szenarioraums gezielt ansteuern können.

Item URL in elib:https://elib.dlr.de/142381/
Document Type:Conference or Workshop Item (Poster)
Title:UNSEEN: Bewertung der Unsicherheiten in linear optimierenden Energiesystemmodellen unter Zuhilfenahme Neuronaler Netze
Authors:
AuthorsInstitution or Email of AuthorsAuthor's ORCID iD
Cao, Karl-KienKarl-Kien.Cao (at) dlr.dehttps://orcid.org/0000-0002-9720-0337
Fuchs, Benjaminbenjamin.fuchs (at) dlr.dehttps://orcid.org/0000-0002-7820-851X
Fiand, Frederikffiand (at) gams.comUNSPECIFIED
Koch, Thorstenkoch (at) zib.dehttps://orcid.org/0000-0002-1967-0077
Vanaret, Charlievanaret (at) math.tu-berlin.dehttps://orcid.org/0000-0002-1131-7631
Date:18 May 2021
Refereed publication:No
Open Access:Yes
Gold Open Access:No
In SCOPUS:No
In ISI Web of Science:No
Status:Published
Keywords:energy system modeling, energy scenarios, high performance computing, neural networks, optimization, mixed-integer programming
Event Title:Jahrestreffen 2021 des Forschungsnetzwerks Energiesystemanalyse
Event Location:virtuell
Event Type:national Conference
Event Dates:18.-20. Mai 2021
Organizer:Projektträger Jülich, Forschungszentrum Jülich GmbH
HGF - Research field:Energy
HGF - Program:Energy System Design
HGF - Program Themes:Energy System Transformation
DLR - Research area:Energy
DLR - Program:E SY - Energy System Technology and Analysis
DLR - Research theme (Project):E - Systems Analysis and Technology Assessment
Location: Stuttgart
Institutes and Institutions:Institute of Networked Energy Systems > Energy Systems Analysis, ST
Deposited By: Cao, Karl-Kien
Deposited On:25 May 2021 14:45
Last Modified:25 May 2021 14:45

Repository Staff Only: item control page

Browse
Search
Help & Contact
Information
electronic library is running on EPrints 3.3.12
Copyright © 2008-2017 German Aerospace Center (DLR). All rights reserved.