Loading...
Files
Date
Authors
Publisher
Philipps-Universität Marburg
Abstract
Over the past century, the power grid has continuously changed in
order to meet evolving requirements for energy transmission and
power supply. But the biggest change is happening right now. The
transition from fossil to renewable energy resources, needed to achieve climate goals, is both driving and accelerating the transformation of existing grid infrastructure and management.
Simultaneously, the continuous societal digitization and the use
of computationally intense technologies increase overall electricity
demand and depend highly on a stable power grid. The power grid transformation is reinforced even more by the rise of prosumers. Distributed consumers, which are now also able to produce
electricity, are slowly causing a paradigm shift from centralized to
distributed power generation and grid infrastructure.
To guarantee stable grid operation and electricity supply with improved integration of highly volatile distributed energy resources, new data-driven methodologies are needed. In this thesis, we present the following three main contributions towards flexible and stable Smart Grid operation: First, we propose a conceptual framework for the next evolutionary step in power grid segmentation based on the holonic Smart Grid. Based on a bottom-up approach, we use supervised Machine Learning techniques for a tight monitoring and forecasting of prosumers’ electricity demand. Second, we transform a Micro Smart Grid into a Multi-Agent System, where prosumers are modeled as rational agents. Thereby, an agent is modeled in a flexible, an adjustable and an extendable way to represent different kinds of prosumers. We identify valid actions and derive a set of strategies with prosumer, grid- and market-centered goals, which are evaluated. Third, we develop, implement and evaluate a federated Machine Learning model for all prosumers within a Smart Grid with respect to data-privacy preservation. The proposed distributed approach based on a Federated Learning model addresses both data-privacy concerns and the need for sufficient data needed for developing accurate electricity consumption models. In short summary, these contributions form a flexible framework capable
of guiding and optimizing single- and multi-prosumer behavior
within a holonic Smart Grid.
Innerhalb des letzten Jahrhunderts hat sich das Stromnetz kontinuierlich
verändert, um sich den Entwicklungen der Stromübertragung sowie
der -versorgung stetig anzupassen. Die größte Veränderung findet
aber gerade im Moment statt. Der Wechsel von fossilen Brennstoffen
hin zu regenerativen Energiequellen, um die gesetzen Klimaziele zu
erreichen, ist einerseits Treiber, andererseits auch Beschleuniger für
eine Transformation des bestehenden Stromnetzes.
Die gleichzeitig immer digitaler werdende Gesellschaft und die
Verwendung rechenintensiver Technologien benötigen eine stabile
Stromversorgung, allerdings steigern sie auch den generellen Strombedarf.
Die Transformation des bestehenden Stromnetzes wird zusätzlich
durch das Aufkommen sogenannter Prosumer bestärkt. Verteilte Konsumenten,
die nun auch in der Lage sind, selbst Strom zu erzeugen,
treiben einen Paradigmenwechsel von einer zentralisierten Stromerzeugung
zu einer verteilten Erzeugung voran.
Um nun eine stabile Stromversorgung, trotz volatiler und verteilter
Energiequellen, gewährleisten zu können, sind neuartige datengetriebene
Ansätze notwendig. In dieser Arbeit stellen wir dazu die
folgenden drei Beiträge dar, um stabile und intelligente Stromnetze
realisieren zu können:
Als Erstes stellen wir ein Konzept zur Aufteilung von Stromnetzen
mittels holonischem Ansatz vor. Durch Methoden des überwachenden
maschinellen Lernens werden Strombedarfsprognosen für Prosumer
erstellt.
Als Zweites modellieren wir ein Mehr-Agenten System, in dem
die Prosumer durch einzelne Agenten abgebildet werden. Für diese
Agenten werden im Anschluss Aktionen definiert, aus denen sich
benutzer-, markt- und netzdienliche Strategien ableiten lassen.
Als Drittes enwicklen wir ein verteiltes Vorhersagemodell für alle
Prosumer innerhalb eines intelligenten Stromnetzes mittels föderierten
Lernens. Dieser Ansatz ermöglicht es, ein kollaboratives Vorhersagemodell
zu trainieren, ohne dabei seine sensiblen persönlichen Daten
preisgeben zu müssen.
Zusammengefasst, bilden diese Erkenntnisse ein Konzept, um das
Verhalten einzelner, aber auch mehrerer Prosumer optimieren und
lenken zu können.