Login
- Originaltitel:
- Assessing the Potential of Multiple Use Cases for German Energy Communities via Integration of Machine Learning in the Energy-Economic Modeling Process
- Übersetzter Titel:
- Potenzialbewertung ausgewählter Use Cases für Energiegemeinschaften im deutschen Energiesystem durch Integration von Maschinellem Lernen in den energiewirtschaftlichen Modellierungsprozess
- Autor:
- Bogensperger, Alexander Johannes
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Wagner, Ulrich (Prof. Dr.)
- Gutachter:
- Wagner, Ulrich (Prof. Dr.); Strüker, Jens (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- ERG Energietechnik, Energiewirtschaft
- Stichworte:
- energy communities, machine learning, emulation, surrogate modeling
- Übersetzte Stichworte:
- Energiegemeinschaften, Maschinelles Lernen, Emulation
- TU-Systematik:
- ERG 020
- Kurzfassung:
- Energy communities are an essential part of the energy transition. Three implementation proposals are developed and analyzed in more detail. The focus is set on a labeling framework, with optimization-based allocation, and three different pricing mechanisms. Their potential is assessed and the pricing mechanisms compared by means of simulation. Supervised and unsupervised machine learning is integrated into the energy-economic modeling process to accelerate it and simplify the result evaluation.
- Übersetzte Kurzfassung:
- Energiegemeinschaften sind ein wesentlicher Bestandteil der Energiewende. Es werden Umsetzungsvorschläge für sie entwickelt und näher analysiert. Der Fokus liegt auf einem “Labeling Framework” mit optimierungsbasierter Allokation und drei Preismechanismen. Anhand von Simulationen werden deren Potenzial bewertet und die Preismechanismen verglichen. Maschinelles Lernen wird in den energiewirtschaftlichen Modellierungsprozess integriert, um diesen zu beschleunigen und die Auswertung zu vereinfach... »
- WWW:
- https://mediatum.ub.tum.de/?id=1686347
- Eingereicht am:
- 09.09.2022
- Mündliche Prüfung:
- 19.04.2023
- Dateigröße:
- 12403306 bytes
- Seiten:
- 236
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230419-1686347-1-1
- Letzte Änderung:
- 17.05.2023
BibTeX