Gernot Pacher

• Die vorliegende Masterarbeit widmet sich der Modellierung und Optimierung eines intelligenten Energiesystems. Das Energiesystem besteht aus einem Einfamilienhaus, einer Photovoltaikanlage, einem Batteriespeicher und einem Elektrofahrzeug. Die Analyse dieser Komponenten führt zu einer Vielzahl von Daten aus unterschiedlichen Quellen. Ziel ist es, diese umfassende Datenbasis mithilfe eines KI-basierten Regelungssystems zu verarbeiten und so die Energieflüsse optimal an die jeweiligen Betriebsbedingungen anzupassen. Im theoretischen Teil werden dazu zunächst die Ausgangslage, die technologischen Rahmenbedingungen und die Herausforderungen der Energieversorgung untersucht. Im weiteren Verlauf werden die wesentlichen Systemkomponenten, darunter Photovoltaikanlagen und Batteriespeicher detailliert betrachtet und auch Lastprofile sowie Konzepte des Energiemanagements vorgestellt, um deren Funktionsweise und Abhängigkeiten zu analysieren. Danach werden die Modellierung des Energiebedarfs, die Anforderungen an ein Simulationsmodell sowie verschiedene Optimierungsansätze, von klassischen Regelungstechniken bis hin zu KI-basierten Verfahren behandelt. Auf diese Weise werden jeweils praktikable Vorgehensweisen und Lösungen für die Umsetzung ermittelt. Im praktischen Teil liegt der Fokus auf der Entwicklung eines Simulationsmodells, das die einzelnen Komponenten´realitätsgetreu abbildet und zu einem Gesamtsystem zusammenführt. Ein ebenso wichtiger Bestandteil ist die Umsetzung einer Regelung auf Basis von Reinforcement Learning. Die Simulationsergebnisse zeigen, dass das auf künstlicher Intelligenz basierende System flexibel auf wechselnde Bedingungen reagieren und den Energiefluss im Haushalt effizient koordinieren kann.
• This master's thesis focuses on the modeling and optimization of an intelligent energy system. The energy system consists of a single-family home, a photovoltaic system, a battery storage unit, and an electric vehicle. The analysis of these components yields a large amount of data from various sources. The aim is to process this comprehensive database using an AI-based control system in order to optimally adapt the energy flows to the respective operating conditions. In the theoretical part, the initial situation, the technological framework conditions, and the challenges of energy supply are first examined. The essential system components, including photovoltaic systems and battery storage, are then considered in detail, and load profiles and energy management concepts are presented in order to analyze their functionality and dependencies. This is followed by a discussion of energy demand modeling, the requirements for a simulation model, and various optimization approaches, from classic control techniques to AI-based methods. In this way, practical procedures and solutions for implementation are identified in each case. The practical part focuses on developing a simulation model that realistically depicts the individual components and combines them into an overall system. An equally important component is the implementation of a control system based on reinforcement learning. The simulation results show that the artificial intelligence-based system can respond flexibly to changing conditions and efficiently coordinate the flow of energy in the household.