BA/PA/MA: Anwendung von Machine Learning in Betriebsoptimierung

BA/PA/MA: Anwendung von Machine Learning in Betriebsoptimierung

Erweiterung einer gemischt-ganzzahlig linearer Optimierung um Machine Learning Strategien

 

Extending a mixed-integer linear programming optimization with Machine Learning Strategies

 

Hintergrund

Die Schifffahrt ist eine der effizientesten Methoden des Transports und gleichzeitig einer der größten Emittenten von Treibhausgasen. Nach konservativen Prognosen werden die Treibhausgasemissionen in der Schifffahrt bis 2050 ohne zusätzliche Maßnahmen um mindestens 150% steigen. Diesem Trend entgegen wirken die strategischen Ziele der Internationalen Maritimen Organisation (IMO), die Emissionen bis 2040 um 70% gegenüber 2008 zu reduzieren. Die Umsetzung dieser Ziele kann nur mithilfe umfassende Maßnahmen zur Dekarbonisierung und Energieeffizienzsteigerung gelingen. Neben direkten effizienzsteigernden Maßnahmen, wie der Strömungsoptimierung von Rumpf- und Propellergeometrien, der Optimierung der Verbrennungsmotoren oder der Verwendung alternativer Kraftstoffe, sind dafür auch eine Verbesserung der Architektur sowie Verteil- und Versorgungsstrategie der verschiedenen Energiesysteme eines Schiffes aussichtsreich.
Diese Verbesserungsmaßnahmen umfassen unter anderem:

  • Diesel-elektrische Antriebskonzepte, die durch höhere Flexibilität und der Maschinenauswahl und Betriebsstrategie einen energieeffizienteren Betrieb ermöglichen.

  • Die Integration von alternativen Formen der Leistungsbereitstellung, wie Brennstoffzellen, Photovoltaik oder Wind-Assisted Propulsion, wodurch der fossile Treibstoffverbrauch reduziert wird.

  • Sektorenkopplung/Kraft-Wärme-Kopplung zwischen elektrischen und thermischen Systemen, beispielsweise mittels Verlustwärmenutzung durch Abhitzedampferzeuger an Hauptmaschinen oder Hochtemperaturbrennstoffzellen, zur Verringerung des Bedarfs an zusätzlicher thermischer Leistungsbereitstellung.

  • Die Integration von Speichern für elektrische oder thermische Energie, was eine Entkopplung von Erzeugung und Nutzung der Leistung ermöglicht. Insbesondere während kurzweiliger Spitzenlasten, beispielsweise beim Manövrieren, können Speicher die Generatorlast stabilisieren und so für einen effizienteren Betrieb sorgen.

Die Integration dieser Maßnahmen bedingt eine signifikante Erhöhung der möglichen Energiesystemkomplexität im Vergleich zu konventionellen Konfigurationen mit mechanischem Direktantrieb, Wellengeneratoren und Dampfkesseln. Obgleich der Energiesystementwurf schon für konventionelle Konfigurationen eine hochkomplexe Aufgabe ist, findet er in der Regel manuell und iterativ statt und basiert meist auf Erfahrungswerten der Werft. Dieses Vorgehen kann leicht dafür sorgen, dass unkonventionelle, aber potentiell effizientere Konzepte nicht weiter verfolgt werden, da sie als unbewährt und deshalb risikobehaftet wahrgenommen werden. Die große Komplexität und zögerliche Adoption von unkonventionellen Lösungen machen den Energiesystementwurf zu einem idealen Kandidaten für eine ganzheitliche Optimierung zur Erhöhung der Energieeffizienz. Eine derartige Optimierung, insbesondere bei Berücksichtigung der Konfiguration, ist durch die Größe und Komplexität der Systeme und Konfigurationsoptionen jedoch höchst herausfordernd.

Task Description / Aufgabenstellung

Am Institut für Mechatronik im Maschinenbau wurde zur Bewältigung der Herausforderung einer ganzheitlichen Systemoptimierung eine Methodik entwickelt, die mittels genetischen und gemischt-ganzzahligen Algorithmen gekoppelte Schiffenergiesysteme optimiert - der Maritime Energy System Optimizer (MESO).

In der bestehenden Implementierung von MESO wird der mit großem Abstand größte Anteil (>98%) der Rechenleistung für die Lösung der Betriebsoptimierungsprobleme zur Bestimmung der Qualität einer Konfiguration aufgewandt. Von den Betriebsoptimierungen ist wiederum ein großer Anteil nicht lösbar, weil die zugrundeliegende Energiesystemkonfiguration nicht für die Versorgung der Verbraucher ausreicht. Die Unlösbarkeit eines Betriebsoptimierungsproblems festzustellen ist allerdings häufig weitaus rechenintensiver, als die Lösung eines lösbaren Problems zu ermitteln. Mithilfe von Machine Learning könnte sich der Prozess auf unterschiedliche Weisen beschleunigen lassen:

  1. Ein Machine Learning Modell könnte abhängig von der Energiesystemkonfiguration Solver-Parameter und Teillösungs-Strategien anpassen und so die Betriebsoptimierungen insgesamt und insbesondere das Feststellen von Unlösbarkeit beschleunigen.

  2. Ein Machine Learning Modell könnte die Betriebsoptimierung mit konventionellen Solvern ersetzen und das MILP-Problem approximieren.

In dieser Arbeit soll eine geeignete Strategie zur Beschleunigung der Betriebsoptimierungen in MESO mithilfe von Machine Learning entwickelt werden. Dabei sind folgende Punkte zu bearbeiten:

  • Einarbeitung in MILP-Solver und deren Parametrierung

  • Einarbeitung in Machine Learning Strategien im Kontext von MILP-Problemen

  • Einarbeitung in die bestehende Implementierung

  • Entwicklung geeigneter Kriterien zur Bewertung der Verbesserung gegenüber der bestehenden Implementierung

  • Entwicklung einer ML-Strategie zur Verbesserung der Betriebsoptimierung

Name:

 

Thesis Type MA/BA/PA:

 

Student ID / Matrikelnummer:

 

Field of Study / Studiengang:

 

Official start-date / Offizieller Beginn:

 

Final-report-due /Abgabe:

 

Spotlight-presentations:

1.

2.

3.

Finale presentation / Abschlusspräsentation

 

Zweitprüfer / Second Examiner

 

Confidential / Vertraulich

 

Document Upload Final Thesis / Dokumentenabgabe Abschlussdokument

File of final presentation / Dokumentenabgabe Abschlusspräsentation

Link for further files / Link für weitere Dokumente

Recent updates

 

Institut für Mechatronik im Maschinenbau (iMEK), Eißendorfer Straße 38, 21073 Hamburg