Optimierung der Energiekosten und Analyse der Netzunterstützung eines Gebäudes mit Hilfe Genetischer Programmierung und Symbolischer Regression

Kurzfassung: Auf Grund der vermehrten Verwendung von erneuerbaren Energiequellen vor allem im privaten Sektor ist deren effiziente und intelligente Nutzung nötig, um die Stabilität der Stromnetze nicht weiter zu belasten. Wegen der schwankenden und sich verändernden Rahmenbedingungen sind manche dieser Energiequellen zu bestimmten Tages- oder Jahreszeiten, wie eine Photovoltaik-Anlage bei Nacht, nicht oder nur eingeschränkt verfügbar, während sie zu anderen Zeiten starke Überschüsse produzieren. Dies hat teils große Auswirkungen auf das Stromnetz, welches mit einem starken Einspeiseüberschuss an Tagen mit viel Sonnenschein ebenso zurechtkommen muss, wie mit einem erhöhten Strombedarf bei Schlechtwetter oder abends. Energiemanagement Systeme stellen automatisierte Lösungen bereit, die die selbst produzierte Energie im Haushalt so optimal wie möglich verteilen, speichern und verbrauchen. Dadurch können etwaige Last- oder Erzeugungsspitzen abgeschwächt und starken Schwankungen im Stromnetz entgegengewirkt werden. Allerdings liefern die bisher existierenden Lösungen entweder keine optimalen Ergebnisse oder sind sehr rechenintensiv. Das Ziel dieser Arbeit ist es deshalb, eine selbst-lernende Regelung zu entwickeln, die die Energiekosten eines Haushaltes mit Photovoltaik-Anlage und Batteriespeicher minimiert, die Netzstabilität unterstützt und in Echtzeit ausgeführt werden kann. In der Evaluierung von insgesamt zehn heuristischen Reglern kann gezeigt werden, dass im Vergleich zu einem linearen modellprädiktiven Regler und einer Regel-basierten Eigenverbrauchsoptimierung die Menge an eingespeistem und vom Netz bezogenen Strom insgesamt stark reduziert werden konnte. Des Weiteren wird im Vergleich zum linearen modellprädiktiven Regler auch die maximale Netzbezugs- und Einspeiseleistung um bis zu 50% verringert.