Forschungsprojekt UNSEEN
Bewertung der Unsicherheiten in linear optimierenden Energiesystem-Modellen unter Zuhilfenahme Neuronaler Netze
Der Einsatz von Modellen zur Erstellung und Untersuchung von Szenarien ist ein wesentliches Instrument der Energiesystemanalyse. Für die Politikberatung ist die Frage nach der Verlässlichkeit von solchen Szenarien von großer Wichtigkeit, da diese mit großen Unsicherheiten behaftet sein können. Diesem Problem wird in UNSEEN begegnet: durch das Abfahren eines sehr großen Parameterraums soll eine bisher unerreichte Anzahl an modellbasierten Energieszenarien berechnet und ausgewertet werden. Hierzu zählen insbesondere auch Extremszenarien.
Forschungsprojekt UNSEEN | |
|---|
Laufzeit | Dezember 2019 bis März 2023 |
Förderung durch | Bundesministerium für Wirtschaft und Klimaschutz |
Projektbeteiligte | - Institut für Technische Thermodynamik
- Institut für Vernetzte Energiesysteme
- Forschungszentrum Jülich GmbH
- Technische Uni Berlin – Fakultät für Mathematik und Naturwissenschaften
- GAMS Software GmbH, Frechen
- Konrad-Zuse-Zentrum für Informationstechnik, Berlin
|
Der Einsatz von Modellen zur Erstellung und Untersuchung von Szenarien ist ein wesentliches Instrument der Energiesystemanalyse. Für die Politikberatung ist die Frage nach der Verlässlichkeit von solchen Szenarien von großer Wichtigkeit, da diese mit großen Unsicherheiten behaftet sein können. Diesem Problem wird in UNSEEN begegnet: Durch das Abfahren eines sehr großen Parameterraums soll eine bisher unerreichte Anzahl an modellbasierten Energieszenarien berechnet und ausgewertet werden. Hierzu zählen insbesondere auch Extremszenarien.
Das wesentliche Hindernis solche umfangreichen Parametervariationen auf Energieszenarien anzuwenden wird ebenfalls im Projekt UNSEEN adressiert – die Senkung von Modellrechenzeiten zur Lösung entsprechender Optimierungsprobleme. Im Vorläuferprojekt BEAM-ME wurden bereits erhebliche Erfolge bei der Verkürzung der Rechenzeit von umfangreichen und komplexen Energiesystem-Optimierungsmodellen erzielt. Mit der Entwicklung und Anwendung des Open Source Solvers PIPS-IPM++ wurde darin die Grundlage für den Einsatz von Hochleistungscomputern zur Lösung dieser Modelle gelegt.
PIPS-IPM++ ist ein spezieller Löser für kontinuierliche, lineare Optimierungsprobleme. Für die Modellierung realer Infrastrukturen und konkreter Maßnahmen zur Umsetzung der Energiewende ist es allerdings unabdinglich auch diskrete Entscheidungen, wie beispielsweise Entscheidungen für die Investition in ein bestimmtes Speicherkraftwerk, berücksichtigen zu können. Das Lösen der resultierenden Optimierungsprobleme stellt dabei eine zusätzliche Herausforderung dar, woraus sich der in diesem Forschungsvorhaben verfolgte, zentrale methodische Ansatz ergibt – der Einsatz Neuronaler Netze. Die grundlegende Idee hierbei ist eine Methode des Maschinellen Lernens („Reinforcement Learning“) zu verwenden, um schnelle „Vorhersagen“ der Ergebnisse eines Optimierungsproblems zu erhalten und diese als Startlösung für einen deterministischen Lösungsalgorithmus zu nutzen. Das Verfahren soll aufbauend auf PIPS-IPM++ das performante Lösen von so genannten gemischt-ganzzahligen linearen Optimierungsproblemen auf Hochleistungscomputern ermöglichen.
Ausgehend von den Ergebnissen der Parametervariationen für Energiesystem-Optimierungsprobleme werden mittels Modellkopplungen (u.a. mit den am DLR eingesetzten Modellen REMix und AMIRIS) und statistischer Analysen ausführlichen Auswertungen des Szenarioraums durchgeführt. Hierzu werden Indikatoren ermittelt, welche Aufschluss zu wesentlichen Aspekten der Angemessenheit, Betriebssicherheit und Wirtschaftlichkeit der entsprechenden Szenarien von zukünftigen Energiesystemen geben.
