Flexibel, Erklärbar, Akkurat - Maschinelles Lernen in komplexen Systemen unter Unsicherheit (FEAT): Schlussbericht des Teilvorhabens des DLR

Kurzfassung

Simulationen der Strommärkte werden immer komplexer: Mehr fluktuierende Erneuerbare und weniger konventionelle Kraftwerke führen zu einer stärkeren Marktdynamik. Die zunehmende Anzahl von Flexibilitätsoptionen (FO) und neuer Marktakteure führt gleichzeitig zu mehr Wettbewerb. Um rentabel zu sein, benötigen FO intelligente Gebotsstrategien, die auf präzisen Preisvorhersagen beruhen. Das Projekt FEAT zielte zum einen darauf ab, neue Algorithmen des maschinellen Lernens (ML) zu entwickeln, die solche hochwertigen Vorhersagen liefern können. Diese Arbeiten wurden beim Projektpartner (Universität Tübingen) durchgeführt. Zum anderen sollte durch das DLR die Anwendbarkeit der neuen Vorhersagen auf das offenen Strommarktsimulationsmodell AMIRIS getestet werden. Die in FEAT neu entwickelten ML-Preisvorhersagen können effizient in Strommarktsimulationen integriert werden. Die erzielten Preisvorhersagen haben eine angemessene Präzision und können für die Einsatzplanung konkurrierender Speichereinheiten verwendet werden. AMIRIS kann nun ML-basierte Prognosen verwenden, indem es eine zweistufige Architektur für die Preisprognosen und die Strommarktmodellierung verwendet. Durch diese Trennung können beide Module unabhängig voneinander verwendet, entwickelt und nachgenutzt werden. Es wurde ein Szenariogenerator entwickelt. Auf dessen Grundlage wurden Tausende von Szenarien zum Trainieren und Testen der ML-Modelle erstellt. AMIRIS wurde erweitert und die Integration von ML-Prognosen ermöglicht. Es wurde eine Wrapper-Architektur für die Bereitstellung von ML-Prognosen über eine REST-Schnittstelle entwickelt. Eine Temporal-Fusion-Transformer-Architektur wurde vom DLR eingesetzt, um die eine Bewertung der Rentabilität von Flexibilitätsoptionen mit AMIRIS durchzuführen. Die Projektergebnisse wurden Akteuren aus Wissenschaft und Industrie im Rahmen eines Symposiums vorgestellt. Alle im Projekt vom DLR erarbeiteten Ergebnisse und Softwaremodule sind auf Zenodo und GitLab frei verfügbar.