Forecast-Assisted Deep Reinforcement Learning for Energy Management of Hydrogen-Enabled Community Microgrids
Diese Arbeit zeigt auf, dass die Integration unvollkommener Multi-Horizont-Lastprognosen der Gemeinschaft in einen Proximal Policy Optimization (PPO)-Controller für ein wasserstoffgestütztes Microgrid die Lernkonvergenz beschleunigt und moderate wirtschaftliche sowie Erneuerbare-Energien-Ausnutzungsgewinne erzielt, trotz der geringen Genauigkeit der Prognosen und des Fehlens einer messbaren Verbesserung der Resilienz.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Nachbarschaft vor, in der jedes Haus sein eigenes kleines Kraftwerk hat, wie zum Beispiel Solarmodule auf dem Dach oder eine kleine Windkraftanlage. Stellen Sie sich nun vor, dass die Nachbarschaft anstatt diese einfach nur an das Hauptstromnetz anzuschließen, versucht, sich selbst wie eine winzige, unabhängige Stadt zu versorgen. Dies wird ein „Microgrid“ genannt. Die große Herausforderung dabei? Die Sonne scheint nicht immer, der Wind weht nicht immer und die Menschen verbrauchen Strom nicht immer gleichzeitig. Manchmal gibt es zu viel Strom, manchmal zu wenig. Um dies zu lösen, nutzen diese Nachbarschaften „Batterien“ (wie riesige Handy-Ladegeräte), um überschwellende Energie für später zu speichern. Aber Batterien sind teuer und gehen schnell leer. Deshalb versuchen Wissenschaftler einen neuen Trick: die Verwendung von Wasserstoff. Denken Sie an Wasserstoff als eine Art „Super-Batterie“, die Energie über Wochen oder Monate hinweg speichern kann. Man wandelt überschüssigen Strom in Wasserstoffgas um, lagert es in einem Tank und wandelt es zurück in Elektrizität, wenn man sie braucht. Die große Frage ist: Wie verwaltet man all diese beweglichen Teile – Sonne, Wind, Batterien, Wasserstoff und das Hauptstromnetz – ohne Geld zu verschwenden oder ohne Strom auszugehen?
In dieser Arbeit geht es darum, einem Computer-„Gehirn“ (einer künstlichen Intelligenz) beizubringen, der smarte Manager einer solchen Nachbarschaft zu sein. Die Forscher wollten herausfinden, ob das Geben eines „Kristallballs“ (einer Vorhersage) an die KI, die vorhersagt, was der Energiebedarf der Nachbarschaft in der Zukunft sein wird, sie zu einem besseren Manager macht. Sie testeten dies an einer simulierten Nachbarschaft von 1.000 Häusern in Rockhampton, Australien, mit einer Mischung aus Solar, Wind, Batterien und Wasserstoff.
Hier ist die Geschichte dessen, was sie herausgefunden haben.
Das Kristallball-Problem
Die Forscher bauten einen speziellen KI-Manager unter Verwendung einer Methode namens „Deep Reinforcement Learning“. Man kann sich diese KI wie einen Videospiel-Charakter vorstellen, der durch Ausprobieren lernt. Wenn er einen guten Zug macht (wie zum Beispiel Geld spart), bekommt er einen Punkt. Wenn er einen schlechten Zug macht (wie zum Beispiel Energie verschwendet), verliert er Punkte. Mit der Zeit lernt er die beste Strategie.
Normalerweise schaut diese KI nur darauf, was gerade jetzt passiert. Sie sieht, dass die Sonne scheint und die Batterie voll ist, und entscheidet dann, was zu tun ist. Aber die Forscher fragten sich: Was wäre, wenn wir der KI eine Vorhersage gaben? Was wäre, wenn sie das Wetter und den Energiebedarf der Nachbarschaft für die nächsten 1, 6, 12 oder sogar 24 Stunden sehen könnte? Würde sie dadurch zu einem Genie des Managements werden?
Sie verwendeten eine ausgeklügelte Art von KI namens „Transformer“ (die gleiche Technologie, die auch in einigen Chatbots verwendet wird), um diese Vorhersagen zu treffen. Aber hier ist der Clou: Der Kristallball war nicht perfekt. Tatsächlich war er ziemlich fehlerhaft.
- Für die nächsten 1 Stunde war die Vorhersage okay, aber nicht großartig.
- Für 6 und 12 Stunden in die Zukunft waren die Vorhersagen sogar schlechter als bloßes Raten des Durchschnitts! Die Mathematik zeigte, dass das Modell verwirrt war.
- Für 24 Stunden war es etwas besser als die 12-Stunden-Vorhersage, aber immer noch weit von der Perfektion entfernt.
Das überraschende Ergebnis: Imperfekt ist trotzdem nützlich
Man könnte denken: „Wenn der Kristallball kaputt ist, warum sich überhaupt die Mühe machen?“ Aber hier liegt die Magie der Arbeit: Selbst ein kaputter Kristallball half dem KI-Manager, Geld zu sparen.
Als die Forscher die KI mit diesen unvollkommenen Vorhersagen arbeiten ließen, lernte sie schneller und traf bessere Entscheidungen als die KI, die nur die Gegenwart betrachtete.
- Lerngeschwindigkeit: Die KI mit der Vorhersage lernte ihre Strategie etwa 14,3 % schneller (sie erreichte ihre beste Leistung in etwa 30 Trainingssitzungen statt in 35).
- Erspartes Geld: Über ein ganzes Jahr gesehen, sparte die Nachbarschaft mit der „unvollkommenen Vorhersage“-KI A$2.765,83. Die Nachbarschaft ohne die Vorhersage sparte nur A$2.439,86. Das sind zusätzliche A$325,97 in der Tasche, nur durch eine etwas bessere Einschätzung der Zukunft.
- Grüner Strom: Die Nachbarschaft nutzte ein Stück mehr ihrer eigenen Solar- und Windkraft, von 35,3 % auf 36,4 %.
Was die KI tat (und nicht tat)
Die KI wurde kein Superheld, der alle Blackouts verhindert oder jegliche Verschwendung eliminiert.
- Das Gute: Sie verbesserte das Timing. Sie wusste, wann sie die Batterien laden und wann sie Strom zum besten Preis zurück an das Hauptnetz verkaufen sollte. Sie handelte wie ein kluger Einkäufer, der weiß, dass morgen ein Ausverkauf ansteht, und deshalb wartet, um zu kaufen.
- Das weniger Gute: Die Vorhersage half nicht viel bei großen Notfällen. Wenn die Forscher einen Stromausfall simulierten (einen Netzausfall), tat die KI mit der Vorhersage genau das Gleiche wie die KI ohne die Vorhersage. Der „Kristallball“ machte die Nachbarschaft in diesem Test nicht widerstandsfähiger gegen Katastrophen; die Batterien und Wasserstofftanks leisteten diese Arbeit, unabhängig von der Vorhersage.
- Die Grenzen: Die Vorhersage verhinderte nicht, dass die Nachbarschaft etwas Energie verschwendete (genannt „Curtailment“), und sie senkte auch die Spitzenlast nicht signifikant. Der Hauptgewinn war rein wirtschaftlicher Natur: das richtige Timing, um ein paar Dollar zu sparen.
Das Fazit
Die Arbeit lehrt uns eine wertvolle Lektion über die Zukunft intelligenter Energie: Man braucht keine perfekte Vorhersage, um ein besseres Ergebnis zu erzielen. Selbst wenn Ihre Wetter-App manchmal falsch liegt, hilft es, etwas über die Zukunft zu wissen, um heute klügere Entscheidungen zu treffen.
Die Forscher zeigten, dass sie durch das Hinzufügen dieser „unvollkommenen“ Vorhersagen zu ihrem KI-Manager ein wenig mehr Ersparnisse und Effizienz herausholen konnten. Sie sind jedoch sehr vorsichtig mit der Aussage, dass dies keine magische Allheilmittel-Lösung ist. Die Vorhersagen waren immer noch recht ungenau, und das System löste nicht alle Probleme (wie etwa die Unzerstörbarkeit des Netzes während Stürmen). Aber es beweist, dass selbst eine wackelige Vermutung über die Zukunft besser ist als gar keine Vorstellung zu haben. Es ist wie das Fahren mit einer leicht verschwommenen Karte: Man mag sich immer noch verlaufen, aber man kommt wahrscheinlich schneller und mit weniger Benzin ans Ziel als wenn man mit verbundenen Augen fährt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.