Leakage-Safe K-Means-Assisted Multi-Objective Energy Management for a Solar and Wind–Battery Micro-grid

Stellen Sie sich ein kleines, in sich geschlossenes Energiesystem vor, das eine Gemeinschaft oder eine abgelegene Einrichtung betreibt, ohne auf das Hauptstromnetz angewiesen zu sein. Dieses als Microgrid bekannte System versucht, drei bewegliche Teile auszubalancieren: durch Sonne und Wind erzeugten Strom, in großen Batterien gespeicherten Strom und durch einen Backup-Generator erzeugten Strom. Die Herausforderung besteht darin, dass die Sonne nicht immer scheint, der Wind nicht immer weht und Menschen nicht immer gleichzeitig Strom verbrauchen. Um das Licht am Brennen zu halten, ohne Treibstoff zu verschwenden oder die Batterien zu entleeren, muss ein Computersystem ständig entscheiden, wann es die Batterien aufladen soll, wann der Generator laufen muss und wann die erneuerbare Energie für später aufgespart werden sollte. Dieser Entscheidungsprozess wird als Energiemanagement bezeichnet. Wenn das System falsch rät, könnte es an Strom mangeln oder teuren Treibstoff verschwenden, indem es den Generator laufen lässt, obwohl es die Sonne hätte nutzen können.

Forscher der Kocaeli-Universität in der Türkei setzten sich zum Ziel, einen intelligenteren Weg für diese Entscheidungen zu entwickeln. Sie wollten ein System erschaffen, das in der Lage ist, aus der Vergangenheit zu lernen und die unmittelbare Zukunft vorherzusagen, um ein Solar- und Windkraft-Microgrid mit einer Batterie zu steuern. Ihr Ansatz basierte auf zwei Hauptideen. Zuerst verwendeten sie eine Computermethode namens Random Forest, eine Art des maschinellen Lernens, die aus vergangenen Daten lernt, um die Stromnachfrage in einer Stunde vorherzusagen. Zweitens nutzten sie eine Technik namens K-Means-Clustering, um ähnliche Wetter- und Nutzungsmuster zusammenzufassen. Betrachten Sie diese Gruppen als verschiedene „Modi“, in denen sich das System befinden könnte, wie etwa ein sonniger Tag mit geringem Stromverbrauch oder eine windige Nacht mit hoher Nachfrage. Das Ziel war zu sehen, ob das Wissen darüber, in welchem „Modus“ sich das System befindet, dem Computer helfen kann, bessere Entscheidungen darüber zu treffen, wann er die Batterie nutzt und wann er den Generator startet.

Die Forscher waren sehr sorgfältig darauf bedacht, einen häufigen Fehler in der Informatik zu vermeiden, der als Data Leakage (Datenleckage) bezeichnet wird. Dies geschieht, wenn ein Computer aus der Zukunft lernt, während er versucht, die Gegenwart vorherzusagen, was die Ergebnisse perfekt, aber nutzlos für die reale Welt erscheinen lässt. Um dies zu verhindern, unterteilten sie ihre Daten in drei deutlich voneinander getrennte Zeiträume, die sich niemals überschnitten. Sie nutzten den ersten Zeitraum, um den Computer darauf zu trainieren, den Strombedarf vorherzusagen und die verschiedenen Betriebsmodi zu identifizieren. Den zweiten Zeitraum nutzten sie, um die Regeln zu optimieren, denen der Computer folgt, um sicherzustellen, dass das System weder ohne Strom fällt noch die Batterie zu stark entlädt. Schließlich fixierten sie die Einstellungen des Systems und testeten es im dritten Zeitraum, den der Computer zuvor noch nie gesehen hatte. Diese strikte Trennung stellte sicher, dass die Ergebnisse widerspiegelten, wie das System tatsächlich in der realen Welt performen würde, und nicht nur, wie gut es sich vergangene Daten gemerkt hatte.

Die Ergebnisse dieses sorgfältigen Testverfahrens zeigten, dass die Fähigkeit des Computers, die Stromnachfrage vorherzusagen, recht gut war. Unter Verwendung der Random-Forest-Methode konnte das System den Strombedarf für die nächste Stunde mit einem durchschnittlichen Fehler von etwa 2,3 Kilowatt vorhersagen, was deutlich besser war als die bloße Annahme, dass die nächste Stunde exakt wie die aktuelle sein würde. Es stellte sich jedoch überraschenderweise heraus, dass das Hinzufügen der durch K-Means-Clustering erstellten „Modus“-Gruppen der Vorhersage der Stromnachfrage nicht wirklich besser geholfen hatte. Die Gruppen waren genauso genau wie ohne die zusätzliche Kategorisierung. Aus diesem Grund entschieden die Forscher, die Gruppen nicht zur Verbesserung der Vorhersage selbst zu verwenden. Stattdessen nutzten sie die Gruppen, um dem System zu helfen, die richtige Strategie für den Umgang mit der Energie zu wählen. Wenn das System beispielsweise einen Modus mit „sonnigem Überschuss“ erkannte, wusste es, dass es die Batterien aufladen sollte; wenn es einen Modus mit „geringer Leistung“ sah, wusste es, dass es bereit sein musste, den Generator zu nutzen.

Als sie diesen neuen Ansatz gegen ältere Methoden testeten, zeigten die Ergebnisse einen klaren Kompromiss. Ein älteres System, das nur auf das reagierte, was gerade passierte, nutzte die Batterie intensiv und entleerte sie schnell, um die Nutzung des Generators zu vermeiden. Ein anderes System, das sich ausschließlich auf Vorhersagen verließ, ging sehr vorsichtig mit der Batterie um, verbrauchte jedoch viel häufiger den Generator und verschwendete dabei eine Menge erneuerbarer Energie, die hätte gespeichert werden können. Das neue System, das die vorhergesagte Nachfrage und die Betriebsmodi zur Entscheidungsfindung nutzte, zeigte spezifische betriebliche Abwägungen. Es reduzierte den Treibstoffbedarf des Generators im Vergleich zum rein vorhersagebasierten System um fast 6-mal bzw. senkte den Einsatz des Generators signifikant, während es gleichzeitig die Verschwendung erneuerbarer Energien um fast 24 Prozent reduzierte. Gleichzeitig nutzte es die Batterie weniger als das reaktive System, was die Lebensdauer der Batterie verlängert. Dennoch ging diese Verbesserung mit einem Preis einher: Im Vergleich zum reaktiven Baseline-System erhöhte das neue System den Energieverbrauch des Generators um fast 5.000 kWh und die Abregelung erneuerbarer Energien um fast 6.000 kWh. Trotz dieser Erhöhung des Generatorverbrauchs und der Verschwendung im Vergleich zum reaktiven Ansatz hielt das neue System die Batterie fast immer auf einem sicheren Ladezustand und vermied so das gefährliche Szenario, dass die Batterie zu leer wird.

Ein kritisches Detail kristallisierte sich jedoch während der Testphase heraus: Die Methode zur Auswahl der besten Systemeinstellungen identifizierte tatsächlich keine einzelne, einzigartige „beste“ Lösung. Als die Forscher 81 verschiedene machbare Kombinationen von Einstellungen testeten, lieferten alle identische Leistungswerte. Da die Testdaten nicht zwischen diesen Optionen unterscheiden konnten, berichteten die Forschter das finale System nicht als eine mathematisch perfekt optimierte Lösung, sondern als eine „fähigkeitsgeprüfte repräsentative Richtlinie“ (feasibility-screened representative policy). Das bedeutet, dass das System ein gültiges, funktionierendes Beispiel ist, das alle Sicherheits- und Zuverlässigkeitsanforderungen erfüllt, anstatt die eine mathematisch perfekte Antwort zu sein. Die Studie kam zu dem Schluss, dass dieser Ansatz in der von ihnen geschaffenen simulierten Umgebung gut funktioniert. Das System konnte die Stromversorgung erfolgreich zuverlässig steuern und verzeichnete im Testzeitraum keinerlei Stromausfälle. Dies gelang durch intelligentere Entscheidungen darüber, wann Energie gespeichert und wann sie erzeugt werden sollte, anstatt nur auf den Moment zu reagieren oder sich auf eine einzige Vorhersage zu verlassen. Die Forscher merkten an, dass die Ergebnisse zwar vielversprechend sind, aber auf einer Simulation eines spezifischen Batterietyps und eines einzelnen Jahres an Wetterdaten basieren. Sie betonten, dass die Stärke der Methode in ihren strengen Testregeln liegt, die bewiesen haben, dass das System aus der Vergangenheit lernen kann, ohne in die Zukunft zu blicken. Diese Arbeit bietet einen soliden Bauplan dafür, wie man Energiemanagementsysteme baut, die sowohl effizient als auch zuverlässig sind, sofern sie vor der Installation in der realen Welt mit derselben Sorgfalt getestet werden.