TY - THES A1 - Münch, Justin T1 - Mehrwert von Methoden des Maschinellen Lernens für die simulative Bewertung der Versorgungssicherheit mit Elektrizität N2 - Politik und Wirtschaft sind auf eine fundierte, schnelle und flexible Bewertung der Ver-sorgungssicherheit mit Elektrizität als Grundlage strategischer Entscheidungen angewiesen. Dazu werden komplexe probabilistische Simulationsmodelle unter Einbeziehung einer hohen Anzahl möglicher Zukunftsszenarien verwendet. Allerdings schränken die langen Rechenlaufzeiten von mehreren Stunden pro Szenario die Analysetiefe ein. Zudem werden die Analysen durch die Prognose der zeitlich aufgelösten zukünftigen Randbedingungen erschwert. Die vorliegende Arbeit zeigt, dass sich mit Methoden aus dem Bereich des Maschinellen Lernens (ML) in Kombination mit angepassten Methoden des Design of Experiments die Kennzahlen der Versorgungssicherheit mit Elektrizität aus einem komplexen Simulationsmodell auf Basis rekursiver Faltungen sehr gut approximieren lassen. Die Zeitreduktion im Vergleich zum nativen Simulationsmodell ist sehr hoch, bei gleichzeitig hoher Genauigkeit. Auch im Bereich der Prognose zeitlich aufgelöster Randbedingungen demonstrieren die Ergebnisse ein erhebliches Verbesserungspotenzial von ML-Methoden im Vergleich zu klassischen Verfahren. Zusammengefasst sind die untersuchten und vorgeschlagenen ML-Methoden in der Lage, die Versorgungssicherheit mit Elektrizität komplexitätsgerecht (tausende von Zukunftsszenarien) in praktikabel kurzer Zeit (weniger als eine Stunde) detailliert zu analysieren. N2 - Politics and economics rely on a well-founded, rapid and flexible assessment of electricity supply security as a basis for strategic decisions. Complex probabilistic simulation models incorporating a large number of possible future scenarios are used for this purpose. However, the long simulation runtimes of several hours per scenario limit the depth of analysis. In addition, the analyses are complicated by the forecasting of time-resolved future boundary conditions. This work demonstrates that machine learning (ML) methods, combined with adapted Design of Experiments (DoE) techniques, allow for a highly accurate approximation of electricity supply security metrics obtained from a complex simulation model based on recursive convolutions. The time reduction compared to the native simulation model is very high, while maintaining a high degree of accuracy. In the area of forecasting time-resolved boundary conditions, the results also demonstrate that ML methods offer considerable potential for improvement over classical methods. In summary, the investigated and proposed ML methods are capable of performing a detailed analysis of the security of electricity supply that is commensurate with its complexity (thousands of future scenarios) within a practical amount of time (less than an hour). T3 - Promotionskolleg NRW mit Hochschule Düsseldorf - 1 KW - Deep Learning KW - Machine Learning KW - Artificial neural networks KW - Metamodeling KW - Surrogate modeling KW - Probabilistic simulation KW - Regression KW - Security of electricity supply KW - times series forecasting Y1 - 2026 UR - https://opus4.kobv.de/opus4-hs-duesseldorf/frontdoor/index/index/docId/5830 UR - https://nbn-resolving.org/urn:nbn:de:hbz:due62-opus-58306 N1 - Bochum, Dissertation, Promotionskolleg NRW mit Hochschule Düsseldorf PB - Hochschule Düsseldorf CY - Düsseldorf ER -