Home | english  | Impressum | Datenschutz | Sitemap | KIT

AI in Smart Grids: State of the Art Analysis of Storage Operation Techniques

AI in Smart Grids: State of the Art Analysis of Storage Operation Techniques
Typ:Bachelorarbeit
Datum:sofort
Betreuer:

Sarah Henni

Durch den Ausbau erneuerbarer Energien wird die Energieversorgung in Deutschland zunehmend volatil und schwer vorherzusagen. Das traditionell nachfrageorientierte Energiesystem muss sich daher in Zukunft an die Schwankungen in der Erzeugung anpassen. Neben Lastmanagement können vor allem Speichertechnologien langfristig dazu beitragen, eine kontinuierliche Energieversorgung zu gewährleisten. Durch intelligenten Speicherbetrieb können Erzeugungsschwankungen ausgeglichen und die Abregelung von erneuerbaren Energien vermieden werden. Private Betreiber können durch optimale Speichernutzung ihren Eigenverbrauchsanteil erhöhen. In den nächsten Jahren wird zudem die erste Generation von PV- und Windanlagen aus der EEG-Förderung herausfallen. Die von diesen Anlagen erzeugte Energie muss dann von den Betreibern selbst vermarktet werden. Ein intelligenter Speicherbetrieb kann es Betreibern ermöglichen, am Markt als Flexibilitätsagenten zu agieren und so die Profitabilität ihrer Erzeugung zu maximieren.
In dieser Arbeit sollen in einer strukturierten Literaturrecherche bestehende Ansätze für den intelligenten Betrieb von Speichern analysiert werden. Relevante Literatur kann beispielsweise mittels Data Mining-Methoden identifiziert werden. Die gefundenen Ansätze sollen anhand geeigneter Kriterien bewertet und miteinander verglichen werden.

Formale Anforderung
Die Arbeit kann auf Deutsch oder Englisch verfasst werden. Voraussetzungen sind Interesse an energiewirtschaftlichen Themen und eigenständiges Arbeiten. Kenntnisse in R sind wünschenswert aber keine Voraussetzung.

Relevante Literatur:
Staffell, Iain; Rustomji, Mazda (2016): Maximising the value of electricity storage. In: Journal of Energy Storage 8, S. 212–225. DOI: 10.1016/j.est.2016.08.010.
Guan, Chenxiao; Wang, Yanzhi; Lin, Xue; Nazarian, Shahin; Pedram, Massoud: Reinforcement learning-based control of residential energy storage systems for electric bill minimization.
Wang, Hao; Zhang, Baosen (2017): Energy Storage Arbitrage in Real-Time Markets via Reinforcement Learning. Online verfügbar unter http://arxiv.org/pdf/1711.03127v2.
Telaretti, Enrico; Ippolito, Mariano; Dusonchet, Luigi (2016): A Simple Operating Strategy of Small-Scale Battery Energy Storages for Energy Arbitrage under Dynamic Pricing Tariffs. In: Energies 9 (1), S. 12. DOI: 10.3390/en9010012.

Bitte senden Sie ihre Bewerbung (kurzes Motivationsschreiben (ca. 10 Sätze), aktueller Notenspiegel, Lebenslauf) oder ihre Rückfragen an: sarah.henni@kit.edu