object(App\Model\Entity\Projectscontent) { 'id' => (int) 470, 'project_id' => (int) 826, 'longtitle_de' => ' DISTEL: District Storage Intelligence', 'longtitle_en' => ' DISTEL: District Storage Intelligence', 'content_de' => '<p><strong>Energiespeicher</strong> sind von zentraler Bedeutung, um erneuerbare Energie, deren Verfügbarkeit von Natur aus Schwankungen unterworfen ist, zuverlässig bereitstellen zu können. Dazu muss die Frage beantwortet werden, wie diese Speicher optimal genutzt werden können. In Energiesystemen, z.B. Energiezentralen von Stadtquartieren, befinden sich potentiell mehrere Speicher mit unter­schiedlicher Größe und unterschiedlicher Nutzung (Kurzzeit- und Langzeitspeicher). Dadurch wird die Betriebsführung zu einem komplexen Problem, da zu jedem Zeitpunkt langfristige Über­legungen zur Be- und Entladung der Langzeitspeicher mit kurzfristigen Bedürfnissen in Abstimmung gebracht werden müssen.</p> <p>Das Projekt <strong>DISTEL</strong> –<strong> Di</strong>strict <strong>St</strong>orage Int<strong>el</strong>ligence hat zum Ziel, <strong>Algorithmen</strong> zu entwickeln, die solche Energiesysteme immer <strong>optimal</strong>, mit <strong>maximalem Wirkungsgrad</strong> und <strong>minimalen Schadstoff­emissionen</strong> betreiben. Hierzu sollen in DISTEL klassische Methoden der Optimierung mit fortschrittlichen Methoden der künstlichen Intelligenz kombiniert werden. So müssen zur langfristigen Planung Verbrauchs- und Ertragsprofile über längere Zeiträume hinweg zur Verfügung stehen, und das Verhalten der Speicher im Sinne von Energieverlusten muss ausreichend detailliert modelliert werden können, um abschätzen zu können, welche Kosten eine zum aktuellen Zeitpunkt gespeicherte Energie in Zukunft einsparen wird. Insbesondere diese langfristigen Simulationen erfordern üblicherweise ein hohes Maß an Rechenkapazität. Hier helfen theorie-getriebene Machine-Learning-Methoden, die das Verhalten approximativ in wesentlich geringerer Zeit berechnen können. Gekoppelt mit einer modellprädiktiven Regelung, welche diese Information berücksichtigt, sollte damit zu jedem Zeitpunkt die richtige Entscheidung getroffen werden können.</p> ', 'content_en' => '<p><strong>Energy storage </strong>is of central importance in order to be able to reliably provide renewable energy, the availability of which is naturally subject to fluctuations. To this end, the question must be answered as to how these storage facilities can be used optimally. In energy systems, e.g. energy centers of urban districts, there are potentially several storage facilities of different size and use (short-term and long-term storage). This makes operational management a complex problem, as long-term considerations for charging and discharging long-term storage have to be reconciled with short-term needs at any given time.</p> <p>The <strong>DISTEL</strong> - <strong>Di</strong>strict <strong>S</strong>torage Int<strong>el</strong>ligence project aims to develop algorithms that always operate such energy systems <strong>optimally</strong>, with <strong>maximum efficiency</strong> and <strong>minimum emissions</strong>. To this end, DISTEL will combine classical methods of optimization with advanced methods of artificial intelligence. For example, consumption and yield profiles over longer periods of time must be available for long-term planning, and it must be possible to model the behavior of the storage facilities in terms of energy losses in sufficient detail to be able to estimate what costs energy stored at the current time will save in the future. These long-term simulations in particular usually require a high degree of computing resources. This is where theory-driven machine learning methods come in handy, as they can approximately describe the behavior in much less time. Coupled with a model-predictive control system that takes this information into account, it should be possible to make the right decision at any point in time.</p> ', 'image_1' => '', 'image_1_caption_de' => '', 'image_1_caption_en' => '', 'image_1_credits_de' => '', 'image_1_credits_en' => '', 'image_2' => '', 'image_2_caption_de' => '', 'image_2_caption_en' => '', 'image_2_credits_de' => '', 'image_2_credits_en' => '', 'image_3' => '', 'image_3_caption_de' => '', 'image_3_caption_en' => '', 'image_3_credits_de' => '', 'image_3_credits_en' => '', 'logos' => '<p><img alt="" src="/webroot/files/image/Projektseite/Land%20STMK(1).jpg" /> <img alt="" src="/webroot/files/image/Projektseite/TU_GRAZ.jpg" /><img alt="" src="/webroot/files/image/Projektseite/Zukunftsfonds.jpg" /></p> ', 'finanzierung' => '<p>„GREEN TECH X“ 15. Ausschreibung des Zukunftsfonds Steiermark</p> ', 'active' => true, 'created' => null, 'modified' => null, 'projektvolumen' => 'EUR 249.608,00', 'project' => object(App\Model\Entity\Project) { 'Nummer' => (int) 826, 'Projektnummer' => 'N53323', 'Kurzbezeichnung' => 'DISTEL', 'Kurzbezeichnung_en' => '', 'Oeffentlich' => '1', 'Projektname' => 'District Storage Intelligence', 'Projektname_en' => 'District Storage Intelligence', 'Projektleitung' => (int) 240, 'Start' => object(Cake\I18n\FrozenDate) { 'time' => '2023-01-01 00:00:00.000000+00:00', 'timezone' => 'UTC', 'fixedNowTime' => false }, 'Ende' => object(Cake\I18n\FrozenDate) { 'time' => '2025-09-30 00:00:00.000000+00:00', 'timezone' => 'UTC', 'fixedNowTime' => false }, 'publications' => [], 'employee' => object(App\Model\Entity\Employee) { 'Nummer' => (int) 240, 'Kurzzeichen' => 'KlaLIC', 'Mitarbeiternummer' => '219', 'anstellungsdaten_id' => (int) 1771, 'geschlecht' => 'm', 'pronomen' => 'ER', 'Vorname' => 'Klaus', 'Nachname' => 'LICHTENEGGER', 'TelFirma' => '+43 5 02378-9262', 'TelFirmaMobil' => '', 'TelFirmaMobil_public' => false, 'email' => 'klaus.lichtenegger@best-research.eu', 'id' => (int) 1771, 'mitarbeiter_id' => (int) 240, 'anstellung' => object(Cake\I18n\FrozenDate) { 'time' => '2023-10-02 00:00:00.000000+00:00', 'timezone' => 'UTC', 'fixedNowTime' => false }, 'anstellung_ende' => object(Cake\I18n\FrozenDate) { 'time' => '2043-12-31 00:00:00.000000+00:00', 'timezone' => 'UTC', 'fixedNowTime' => false }, 'anstellung_art' => 'DV', 'anstellung_ort' => 'GR', 'arbeit_ort' => 'GR', 'area_id' => (int) 35, 'intern' => '1', 'gruppe' => (int) 10, 'anzeige_homepage' => '', 'gruppe_pm_tool' => '0', 'karenzierung_grund' => null, 'karenzierung_urlaubsanspruch' => false, 'kostenstelle' => (int) 0, 'kostenstelle_neu' => (int) 0, 'auf_homepage_verstecken' => false, 'Titel' => 'DI Mag. Dr.', 'neuanstellung' => true, 'karenzgrund' => null, 'Bezeichnung' => null, 'Bezeichnung_0' => null, 'stundenumfang' => (float) 21, 'xing' => '', 'xing_public' => false, 'linkedin' => '', 'linkedin_public' => false, 'scopus' => '', 'scopus_public' => false, 'orcid' => '0000-0002-6742-2641', 'orcid_public' => true, 'mendeley' => '', 'mendeley_public' => false, 'googlescholar' => '', 'googlescholar_public' => false, 'researchgate' => '', 'researchgate_public' => false, 'pure' => '', 'pure_public' => false, 'full_name' => 'LICHTENEGGER Klaus', '[new]' => false, '[accessible]' => [ '*' => true, 'Nummer' => false ], '[dirty]' => [], '[original]' => [], '[virtual]' => [ (int) 0 => 'full_name' ], '[hasErrors]' => false, '[errors]' => [], '[invalid]' => [], '[repository]' => 'Employees' }, 'project_area' => null, 'display_name' => 'N53323 - DISTEL', '[new]' => false, '[accessible]' => [ '*' => true, 'Nummer' => false ], '[dirty]' => [], '[original]' => [], '[virtual]' => [ (int) 0 => 'project_area', (int) 1 => 'display_name' ], '[hasErrors]' => false, '[errors]' => [], '[invalid]' => [], '[repository]' => 'Projects' }, '[new]' => false, '[accessible]' => [ '*' => true, 'id' => false ], '[dirty]' => [], '[original]' => [], '[virtual]' => [], '[hasErrors]' => false, '[errors]' => [], '[invalid]' => [], '[repository]' => 'Projectscontent' }
DISTEL: District Storage Intelligence
Energiespeicher sind von zentraler Bedeutung, um erneuerbare Energie, deren Verfügbarkeit von Natur aus Schwankungen unterworfen ist, zuverlässig bereitstellen zu können. Dazu muss die Frage beantwortet werden, wie diese Speicher optimal genutzt werden können. In Energiesystemen, z.B. Energiezentralen von Stadtquartieren, befinden sich potentiell mehrere Speicher mit unterschiedlicher Größe und unterschiedlicher Nutzung (Kurzzeit- und Langzeitspeicher). Dadurch wird die Betriebsführung zu einem komplexen Problem, da zu jedem Zeitpunkt langfristige Überlegungen zur Be- und Entladung der Langzeitspeicher mit kurzfristigen Bedürfnissen in Abstimmung gebracht werden müssen.
Das Projekt DISTEL – District Storage Intelligence hat zum Ziel, Algorithmen zu entwickeln, die solche Energiesysteme immer optimal, mit maximalem Wirkungsgrad und minimalen Schadstoffemissionen betreiben. Hierzu sollen in DISTEL klassische Methoden der Optimierung mit fortschrittlichen Methoden der künstlichen Intelligenz kombiniert werden. So müssen zur langfristigen Planung Verbrauchs- und Ertragsprofile über längere Zeiträume hinweg zur Verfügung stehen, und das Verhalten der Speicher im Sinne von Energieverlusten muss ausreichend detailliert modelliert werden können, um abschätzen zu können, welche Kosten eine zum aktuellen Zeitpunkt gespeicherte Energie in Zukunft einsparen wird. Insbesondere diese langfristigen Simulationen erfordern üblicherweise ein hohes Maß an Rechenkapazität. Hier helfen theorie-getriebene Machine-Learning-Methoden, die das Verhalten approximativ in wesentlich geringerer Zeit berechnen können. Gekoppelt mit einer modellprädiktiven Regelung, welche diese Information berücksichtigt, sollte damit zu jedem Zeitpunkt die richtige Entscheidung getroffen werden können.
Projektvolumen
EUR 249.608,00
Projektstart
2023-01-01 (laufend)
Finanzierung
„GREEN TECH X“ 15. Ausschreibung des Zukunftsfonds Steiermark
Projektpartner
Ansprechperson
Klaus LICHTENEGGER
klaus.lichtenegger@best-research.eu
Area Management
Markus GÖLLES
markus.goelles@best-research.eu