Supervisor: Andreas Bott
Earliest start: immediately
Type: Master Thesis

In order to reduce CO2 emissions, district heating grids will have to utilise decentralised heat sources such as large-scale heat pumps and industrial waste heat. Operating these so called 4th generation heating grids requires the development of new algorithms. Classical approaches are computational costly, due to the complex non-linear behaviour of district heating grids. AI based algorithms on the other hand are promising to deliver reliable and fast results.

This Thesis should investigate the optimal dispatch problem, i.e. the question which plant should produce heat at which temperature, such that all grid constrains are satisfied. This problem resembles a mixed integer, nonlinear optimisation problem, which is difficult to solve. The goal of this thesis is therefore, to learn the solution of the optimal dispatch problem directly based on the current demand situation.

The true cost function and boundary conditions are (practically) not differentiable. This leads to different approaches, which can be analysed within the scope of the Thesis:

-       Use Reinforcement algorithms to train the networks on the true loss function. As evaluating the cost function is still costly, this would require pre-identifying critical points to reduce computational costs.

-       Approximate the true cost function and boundary conditions with a differentiable model (e.g. another neural network) and use this ass a loss function during the training of the dispatcher

-       Learn the optimal dispatch and the description of the district heating grid simulations by employing a physics-aware Loss function

Supervisor: Andreas Bott
Earliest start: immediately
Type: Bachelor Thesis

Supervisor: Andreas Bott
Earliest start: immediately
Type: Master Thesis

Die Wärmewende bedeutet für den Fernwärmesektor eine grundlegende Umstellung. Statt wie bisher die Wärme aus wenigen zentralen Heizkraftwerken zu verteilen gewinne dezentrale, fluktuierende (Ab-)Wärmequellen zunehmend an Bedeutung. Dieser flexible Betrieb erfordert neue Algorithmen um eine sichere Versorgung zu garantieren.

Eine besondere Herausforderung im Kontext von Wärmenetzen ist die relativ langsame Fließgeschwindigkeit des Wassers. Hierdurch kommt es zu einer erheblichen Verzögerung bis eine Betriebsentscheidung am Kraftwerk den gewünschten Effekt im Netz zeigt. Entscheidungen müssen daher vorausschauend getroffen werden und mögliche Entwicklung unsicherer Größen, beispielsweise die Entwicklung des Wärmebedarfs, vorab mitberücksichtigen.

Aus dieser Problematik lassen sich zwei Voraussetzungen für Netzmodelle ableiten.

1.      Die Modelle müssen die Zeitabhängigkeiten und Laufzeiten korrekt abbilden
2.      Die Rechenzeit muss relativ gering sein um in probabilistischen Algorithmen, z.B. in Monte Carlo Simulationen, eingebunden zu werden.

Klassische Simulationssoftware, wie Modelica, erfüllen zwar den 1. Punkt, sind aber zu rechenaufwendig für Echtzeitanwendungen.

In dieser Arbeit soll eine neuartige datengetriebene Modellierungstechnik reduzierter Ordnung vom Typ der neuronalen ODE angewandt werden, um ein genaues und schnelles Ersatzmodell der Simulationsmodelle zu generieren, das zudem einen geringen Rechenaufwand aufweist. Die Arbeit umfasst dabei einerseits die Konstruktion konventioneller Modelle in Modelica als Benchmark sowie zur Erzeugung von Trainingsdaten, andererseits auch Einbinden und Trainieren der datengetriebenen basierten Modelle in Python. Sie schlägt damit eine Brücke zwischen klassischer Modellierung und modernsten KI-basierten Ansätzen.