Zur Hauptnavigation wechseln Zur Suche wechseln Zum Hauptinhalt wechseln

Optimierung eines KI-basierten Energiemanagementsystems für Embedded Hardware: Portierung symbolisch-regressiver Modelle, Performance-Steigerung und Retraining

  • Alexander Prielinger

    Studienabschlussarbeit: Masterarbeit

    Abstract

    Photovoltaikanlagen haben in den letzten Jahren enormes Interesse geweckt. Diese Entwicklung wird durch mehrere Faktoren vorangetrieben. Einerseits sind die Kosten für PV-Anlagen deutlich gesunken, andererseits wächst das Umweltbewusstsein in der Bevölkerung stetig. Zusätzlich fördern staatliche Programme den Ausbau dieser erneuerbaren Energiequelle. Photovoltaikanlagen werden insbesondere durch die wirtschaftliche Entwicklung der Strompreise im Vergleich zu den immer günstiger werdenden Anschaffungskosten attraktiv. Die Technologie ist bereits sehr ausgereift und effizient. So erreicht beispielsweise ein Wechselrichter der Firma Fronius bereits heute einen maximalen Wirkungsgrad von 98,2 Prozent. Da diese Anlagen einen hohen Wirkungsgrad erreichen, liegt das Verbesserungspotenzial nicht mehr primär in der Energieumwandlung selbst, sondern vielmehr in deren effizienter Nutzung. Energiemanagementsysteme (EMS) spielen dabei eine entscheidende Rolle bei der Maximierung des Eigenverbrauchs und der Steigerung der Energieeffizienz. Eine der größten Herausforderungen besteht darin, dass Photovoltaikanlagen zu bestimmten Zeiten kaum oder gar keinen Strom erzeugen, beispielsweise nachts oder bei starker Bewölkung. Um dieses Problem zu lösen und die verfügbare Energie bestmöglich zu speichern, zu nutzen und zu verteilen, wurden in den vergangenen Jahren EMS intensiv weiterentwickelt. Aktuelle Forschungsarbeiten konzentrieren sich auf die Entwicklung von Energiemanagementsystemen, die symbolische Regression einsetzen. Mithilfe mathematischer Modelle wird der Energiefluss in Photovoltaikanlagen optimiert und die Gesamteffizienz gesteigert. Um sowohl eine effiziente Regelung als auch den Schutz sensibler Daten zu gewährleisten, soll das System direkt auf einem Mikrocontroller ausgeführt werden und dabei möglichst wenig Ressourcen beanspruchen. Diese Arbeit beschäftigt sich mit der Portierung und Optimierung eines heuristischen Energiemanagement-Algorithmus auf ein Embedded Device zur Lastflussoptimierung. Ziel ist es bei annährend gleichbleibender Genauigkeit, den Ressourcenverbrauch der Berechnung zu reduzieren. Dazu wird der bestehende Algorithmus auf ein Embedded System portiert und hinsichtlich Rechenzeit und Genauigkeit bewertet. Die Arbeit untersucht die Grenzen und Möglichkeiten des Einsatzes der heuristischen Berechnung auf Mikrocontrollern und dokumentiert die Ergebnisse, um eine Grundlage für eine spätere Integration in Serienprodukte zu schaffen. Diese Arbeit zeigt, dass mit gezielten Anpassungen der Formel eine signifikante Verbesserung der Performance erreicht werden kann, ohne dass es zu einem erheblichen Genauigkeitsverlust kommt.
    Datum der Bewilligung2025
    OriginalspracheDeutsch (Österreich)
    Gradverleihende Hochschule
    • FH OÖ
    Betreuer/-inFlorian Eibensteiner (Betreuer*in)

    Studiengang

    • Embedded Systems Design

    Zitieren

    '