Optimized Energy Hub Scheduling Using Evolutionary Algorithms

Die ambitionierten Ziele zur Verringerung der Treibhausgasemissionen erfordern die verstärkte
Nutzung erneuerbarer Energiequellen und ihre Integration in die bestehende Netzinfrastruk-
tur. Außerdem stellt die Elektrifizierung verschiedener Sektoren das Stromnetz vor erhebliche
Herausforderungen. Der Energy Hub Gas (EHG) ist ein vielversprechender Lösungsansatz zur
Unterstützung des Energienetzbetriebs. Das EHG-Konzept kombiniert verschiedene technische
Komponenten zu einem sektorgekoppelten Systemverbund, der das Stromnetz unterstützt fluktu-
ierende Erzeugung und Nachfrage zu bewältigen. ... mehrZusätzlich ermöglicht der EHG die Bereitstel-
lung von (erneuerbaren) Energieträgern, wie z.B. grünem Wasserstoff, für industrielle Prozesse,
die schwer zu elektrifizieren sind.
In dieser Arbeit wird ein Co-Simulationsansatz verwendet, um mehrere separate Modelle aus
verschiedenen technischen Bereichen in ein EHG-Systemmodell zu integrieren. Dieser Ansatz
bietet die notwendige Flexibilität für eine einfache Anpassung des Systemmodells an unter-
schiedliche Anwendungsfälle. Anhand von zwei Testfällen wird die Flexibilitätsbereitstellung
des EHG demonstriert, indem die Differenz zwischen maximalem und minimalem Lastfluss von
und in die übergeordnete Netzinfrastruktur um bis zu 30% verringert wird. Zusätzlich wird der
durchschnittliche Energieaustausch um 8% reduziert. Durch die Entlastung der umgebenden
Netzinfrastruktur werden zusätzliche Potenziale zur erneuerbaren Energieerzeugung erschlossen
und die Abregelung vorhandener Erzeugungsanlagen reduziert.
Die Optimierung der Betriebsführung stellt jedoch ein NP-schweres Problem dar und erfordert
leistungsfähige heuristische Algorithmen, wie z.B. Evolutionäre Algorithmen (EA). Heuristiken
können jedoch Lösungen minderer Qualität erzeugen und benötigen u.U. viel Rechenzeit bei
komplexen Suchräumen. Daher werden die angewandten EA-Optimierungen angepasst und er-
weitert auf Basis des vorhergesagten besten Zielfunktionswertes. Methoden des maschinellen
Lernens (ML), die auf früheren Lösungen trainiert wurden, werden verwendet, um den erreichten
Zielfunktionswert der Optimierung vorherzusagen. Basierend auf diesen Vorhersagen wird der
Rechenaufwand des EA auf besonders schwer zu optimierende Bereiche des Suchraums fokussiert.
Diese Anpassung wird durch eine dynamische Intervalllängenbestimmung im Zuge der Überset-
zung vom Genotyp zum Phänotyp realisiert. Unterschiedliche ML-Vorhersagealgorithmen werden
auf zwei verschiedene EAs angewandt und anhand der erzielten Optimierungsergebnisse evaluiert.
Die Ergebnisse zeigen eine signifikante Verbesserung um bis zu 8,6%. Damit wird in dieser Ar-
beit gezeigt, dass ein EHG durch seine Flexibilitätsbereitstellung einen wichtigen Beitrag zum
Betrieb zukünftiger Stromnetze leisten kann.

The ambitious targets for reducing Greenhouse Gas (GHG) emissions necessitate the increased
utilization of Renewable Energy Sources (RESs) and their integration into the existing grid
infrastructure. Additionally, the growing dependence of various sectors on electrical energy
poses significant challenges for the power grid as demand fluctuates greatly. An Energy Hub
Gas (EHG) represents a promising approach to support the operation of energy grids formed
by these developments. The EHG concept combines various technical components into a sector-
coupling system to support the power grid with ancillary and balancing services, helping to
... mehr
cope with fluctuating generation from renewable energies and varying demand. Additionally,
the EHG facilitates the provision of (renewable) energy sources, such as green hydrogen, for
industrial processes that are difficult to electrify.
In this thesis, a co-simulation approach is used to integrate several separate models from different
technical areas into an EHG system model. This approach offers flexibility in modeling aspects
and modularity needed for easy adaptability for other use cases. The concept is evaluated using
two different test cases. The two configured EHGs demonstrate their ability to provide flexibility
by reducing the difference between maximum and minimum load flow from and into the higher
level grid infrastructure by up to 30%. Additionally, the average energy exchange is reduced by
8%. By relieving the load on the surrounding grid infrastructure, additional renewable energy
potential is unlocked, and the curtailment of existing energy is reduced.
Optimized planning of Distributed Energy Resources (DERs) is crucial for the Energy Hub (EH)
concept. However, this planning represents an NP-hard optimization problem and requires the
use of powerful heuristic algorithms. One such heuristic approach is an Evolutionary Algorithm
(EA). However, like all heuristics, they can produce inferior quality solutions and may need
a lot of computation time if the search space is complex. Therefore, in this thesis, the applied
EAs are adapted and improved by considering the predicted objective values of the optimization.
Specifically, Machine Learning (ML) methods trained on previous solutions are used to predict
the objective values of the optimization. Based on these predictions, the computational effort
of the EA is directed to particularly difficult areas of the search space. This adjustment is
achieved through a dynamic interval length assignment during the translation from genotype
to phenotype. The approach is evaluated based on the optimization results using several ML
prediction algorithms on two different EAs. The results show a significant increase in the Degree
of Fulfillment (DOF) by up to 8.6%. Hereby, this thesis demonstrates that the EHG can make
an important contribution to the operation of future power grids.