In Applied Energy ist eine neue Open-Access-Veröffentlichung von Sheng Yin und Co-Autoren erschienen. Sie zeigt, wie ein Batterie-Controller direkt aus Rohzeitreihen lernt, ganz ohne Forecast.
Die meisten Batterie-Energiemanagementsysteme arbeiten in zwei Schritten: Zuerst werden Last, PV-Erzeugung und Preise prognostiziert, danach wird optimiert. Das Problem dabei: Eine bessere Prognose führt nicht immer zu einer besseren Entscheidung.
Unser neues Open-Access-Paper in Applied Energy stellt dazu R2D (Representation-to-Decision) vor. R2D lernt Regelstrategien für Batterien direkt aus historischen und zukünftigen Zeitreihen, indem es einen alterungsbewussten MILP-Experten imitiert.
Ergebnisse:
- 62–77 % des globalen Clairvoyant-Optimums an 5 Industriestandorten
- übertrifft die von uns getesteten MPC- und RL-Baselines
- Batteriealterung nahezu identisch zum MILP-Experten (Teacher)
Bildunterschrift zum GIF:
Das GIF zeigt einen Testtag, ein Bild alle 15 Minuten. 72 Stunden Historie und 24 Stunden Zukunft gehen ein, und ein Batterie-Sollwert wird ausgegeben. Die drei Karten zeigen, wie das Netzwerk die Historie, die Zukunft und beide kombiniert versteht, jeweils per PCA auf 2D reduziert. Laden (blau) und Entladen (orange) finden getrennt statt, ohne Vorhersage dazwischen.
Autoren: Sheng Yin, Vivek Teja Tanjavooru, Prof. Dr. Christoph Goebel, Prof. Dr. Holger Hesse
Links:
Das GIF zeigt einen Testtag, ein Bild alle 15 Minuten. 72 Stunden Historie und 24 Stunden Zukunft gehen ein und ein Batterie-Sollwert wird ausgegeben. Die drei Karten zeigen, wie das Netzwerk die Historie, die Zukunft und beide kombiniert versteht, jeweils per PCA auf 2D reduziert. Laden (blau) und Entladen (orange) finden getrennt statt, ohne Vorhersage dazwischen.