Mehrwert von Methoden des Maschinellen Lernens für die simulative Bewertung der Versorgungssicherheit mit Elektrizität

  • 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 PrognosePolitik 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.show moreshow less
  • 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 considerablePolitics 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).show moreshow less

Download full text files

Export metadata

Metadaten
Author:Justin Münch
open access:Diamant - ohne Publikationskosten mit Lizenzhinweis
Institutes:Zentrum für Innovative Energiesysteme (ZIES)
Research fields:Informationstechnologie / Künstliche Intelligenz und Big Data
Informationstechnologie / Simulationsforschung
Infrastruktur / Infrastruktur und Netze
Fachbereich/Einrichtung:Hochschule Düsseldorf / Fachbereich - Maschinenbau und Verfahrenstechnik
Document Type:Doctoral Thesis
Year of Completion:2026
Referee:Mario Adam, Eberhard Waffenschmidt, Raimund Gottkehaskamp
Advisor:Mario Adam, Jörg Meyer, Anne van Rießen
Series (Serial Number):Promotionskolleg NRW mit Hochschule Düsseldorf (1)
Language of Publication:German
Publisher:Hochschule Düsseldorf
Place of publication:Düsseldorf
Page Number:126
URN:urn:nbn:de:hbz:due62-opus-58306
DOI:https://doi.org/10.20385/opus4-5830
Tag:Regression
Artificial neural networks; Machine Learning; Metamodeling; Probabilistic simulation; Security of electricity supply; Surrogate modeling; times series forecasting
GND Keyword:Deep LearningGND
Corresponding Author:Justin Münch
Licence (German):Creative Commons - CC BY - Namensnennung 4.0 International
Release Date:2026/03/05
Note:
Bochum, Dissertation, Promotionskolleg NRW mit Hochschule Düsseldorf
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.