Annuth, RobertRobertAnnuthNußbaum, Finn OleFinn OleNußbaumBecker, ChristianChristianBecker2024-02-192024-02-192023-03-16Technische Universität Hamburg (2023)https://hdl.handle.net/11420/45453Die Veränderung des Klimas verdeutlicht u. a. die globale Relevanz des emissionsarmen Betriebs maritimer Systeme. Für diesen bedarf es einer nachhaltigen Energieversorgung an Bord, die durch die Integration erneuerbarer Energiequellen erreichbar ist. Dadurch entstehen zusätzliche Freiheitsgrade für das Energiemanagement eines Schiffs gegenüber dem Stand der Technik, bei dem alle Anlagen über große zentrale Generatoren versorgt werden. Da an Bord großenteils Gleichstrom (DC) verwendet wird, wird eine DC-Energieversorgung betrachtet, welche gegenüber Wechselstrom (AC)-Netzen Umwandlungsverluste reduziert. In der Studie wird mit Reinforcement Learning als Methodik für eine mehrdimensionale Optimierung untersucht, welche zusätzlichen Freiheitsgrade im Energienetz ausgeschöpft werden können. Dazu werden ein exemplarisches Kabinennetz eines Kreuzfahrtschiffes realitätsgetreu in MATLAB (Software) modelliert und eine optimierte Regelung für das Energiemanagement simuliert. Dabei werden zwei Regelziele verfolgt: zum einen die Optimierung der Spannungsniveaus der Quellen (Batteriespeicher, Photovoltaik, Netzeinspeisung) in Form einer Droop-Regelung, zum anderen die Optimierung der mit dem Netz ausgetauschten Leistungen der genannten Quellen. Durch die Anpassung der Spannungsniveaus lässt sich die Aufteilung der Lasten zwischen den Quellen variieren, eine Überlastung einzelner Quellen verhindern und die Lebensdauer der Komponenten im Netz maximieren. Die Studie leistet einen Beitrag bei der Ermittlung des Potenzials von KI-Anwendungen für das Energiemanagement.dehttps://creativecommons.org/licenses/by-nc-sa/4.0/reinforcement learningenergy managementmicrogriddc systemrenewable energyMLE@TUHHElectrical Engineering, Electronic EngineeringConference Poster not in Proceedings10.15480/882.914110.15480/882.9141Conference Poster