Mit der zunehmenden Dezentralisierung der Energieversorgung und dem fortschreitenden Ausbau Erneuerbarer Energien entstehen im Gebäudesektor zunehmend dezentrale Energiesysteme. Der ganzheitliche und optimierte Betrieb dieser komplexen Systeme bietet ökologisches und ökonomisches Potenzial. In diesem Zusammenhang beschäftigt sich die aktuelle Forschung mit den Herausforderungen der ganzheitlichen Optimierung der Betriebsführung unter Berücksichtigung von Unsicherheiten im Rahmen von Energiemanagementsystemen.

Der Umgang mit unsicheren Eingangsgrößen ist entscheidend, um optimierte und umsetzbare Betriebsführungspläne zu generieren. In bisherigen Studien werden Unsicherheiten über die Verbesserung der Prognosequalität, die Szenarienreduktion oder die stochastische Optimierung adressiert. Für die Zeiträume zwischen Optimierungen folgen dabei zeitlich konstante Betriebspläne. Die Berücksichtigung kurzfristiger Unsicherheiten ist über solche Pläne nicht möglich. Wechselbeziehungen zwischen Anlagen und zusätzlichen Eingangs­größen bei komplexen, sektorübergreifenden Energiesystemen führen zu einem höheren Maß an Unsicherheiten, das über aktuelle Ansätze nicht ausreichend berücksichtigt werden kann.

Um kurzfristige Unsicherheiten auch in komplexen Energiesystemen in einer optimierten und robusten Betriebsführung zu berücksichtigen, wird in der vorliegenden Arbeit ein neuer Ansatz entwickelt. Dabei werden die Betriebsführungspläne durch nahezu echtzeitfähige Approximationen des Optimierungsmodells in Form von Machine‑Learning‑Modellen ersetzt. Hierzu können Regression Tree als Methode des überwachten Lernens verwendet werden, deren Training mit den Eingangs‑ und Ausgangsgrößen des Optimierungsmodells erfolgt. Um dafür Trainingsdaten zu generieren, werden Optimierungen über eine Vielzahl von Szenarien durchgeführt. Die Szenarien werden datengetrieben über eine historische Simulation, die mittels zeitlicher Filterung und Latin‑Hypercube‑Sampling modifiziert wird, generiert. Das Optimierungsmodell ist als gemischt‑ganzzahlig nichtlineare Optimierung ausgestaltet.

Wenngleich der neu ausgearbeitete Ansatz als allgemeingültiges Verfahren entwickelt wird, erfolgt die Untersuchung an einem konkreten Anwendungsfall für ein Energiemanagementsystem. Dabei wird deutlich, dass selbst bei deterministischen Optimierungsmodellen mit perfekter Prognose Unsicherheiten durch die zeitliche Aggregation vorliegen, die mittels Regression Tree berücksichtigt werden können. Der Vergleich mit einer regelbasierten und einer optimalen Betriebsführung zeigt, dass mit dem neuen Ansatz bis zu 98 % des Optimierungspotenzials erschlossen werden können. Der Beweis für die Funktionsfähigkeit des vorgestellten Ansatzes wird somit in dieser Arbeit gegeben. Es wird jedoch ein hohes Maß an Rechenleistung benötigt, wodurch die Untersuchung dieses Ansatzes derzeit noch limitiert ist.