Assessing the Potential of Multiple Use Cases for German Energy Communities via Integration of Machine Learning in the Energy-Economic Modeling Process

Bogensperger, Alexander Johannes

Alexander Johannes Bogensperger

If you experience problems opening the document, please try this link.

Original title:: Assessing the Potential of Multiple Use Cases for German Energy Communities via Integration of Machine Learning in the Energy-Economic Modeling Process
Translated title:: Potenzialbewertung ausgewählter Use Cases für Energiegemeinschaften im deutschen Energiesystem durch Integration von Maschinellem Lernen in den energiewirtschaftlichen Modellierungsprozess
Author:: Bogensperger, Alexander Johannes
Year:: 2023
Document type:: Dissertation
Faculty/School:: TUM School of Engineering and Design
Advisor:: Wagner, Ulrich (Prof. Dr.)
Referee:: Wagner, Ulrich (Prof. Dr.); Strüker, Jens (Prof. Dr.)
Language:: en
Subject group:: ERG Energietechnik, Energiewirtschaft
Keywords:: energy communities, machine learning, emulation, surrogate modeling
Translated keywords:: Energiegemeinschaften, Maschinelles Lernen, Emulation
TUM classification:: ERG 020
Abstract:: 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.
Translated abstract:: 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 vereinfachen. «
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
Date of submission:: 09.09.2022
Oral examination:: 19.04.2023
File size:: 12403306 bytes
Pages:: 236
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230419-1686347-1-1
Last change:: 17.05.2023
BibTeX