Om tegen 2050 koolstofneutraliteit te bereiken en de opwarming van de aarde te beperken tot onder de 1,5°C, moet de energiesector overschakelen op meer hernieuwbare energiebronnen en afstand nemen van fossiele brandstoffen. Deze verschuiving zal leiden tot een ingrijpende transformatie van het volledige energielandschap, inclusief het elektriciteitssysteem. Hernieuwbare energiebronnen zoals zonne- en windenergie zijn echter van nature intermitterend en onvoorspelbaar, wat aanzienlijke uitdagingen vormt voor de stabiliteit van het elektriciteitsnet. Het aanpakken van deze problemen vereist een verhoogde energie-flexibiliteit, wat betekent dat men beter moet kunnen omgaan met onevenwichten tussen vraag en aanbod. Hoewel de totale energievraag naar verwachting zal dalen, zal de vraag naar elektriciteit toenemen door de hogere mate van elektrificatie. Bovendien evolueert de traditionele architectuur van het elektriciteitsnet van een hiërarchische structuur, waarbij stroom wordt verdeeld van grote centrale installaties naar consumenten, naar een gedecentraliseerd model waarin consumenten ook producenten zijn. Deze verschuiving maakt energiestromen bidirectioneel en integreert een groot aantal kleine, geografisch verspreide energiebronnen (Distributed Energy Resources, DER). Al deze recente veranderingen brengen nieuwe uitdagingen met zich mee voor het elektriciteitssysteem.

Een veelbelovende oplossing om dit groeiende aantal DER’s te beheren is aggregatie, waarbij meerdere activa worden gegroepeerd om als één entiteit in het elektriciteitssysteem te functioneren, een zogenaamde virtuele energiecentrale, die wordt aangestuurd door een controller om energie-flexibiliteit te bieden. Het vinden van zo’n aansturingsstrategie brengt echter enkele uitdagingen met zich mee. Ten eerste moet het systeem kunnen omgaan met variabiliteit en onvoorspelbaarheid aan zowel de vraag- als aanbodzijde. Ten tweede zijn de te controleren activa, zoals een laadstation voor elektrische voertuigen of koelinstallaties, vaak moeilijk te modelleren vanwege hun complexiteit, onbekende fysische relaties of parameters. Ten derde is er een belangrijk veiligheidsaspect dat van nature gepaard gaat met het bieden van flexibiliteit aan het net. Tot slot zijn de mogelijke te controleren activa zeer divers, hebben ze verschillende eigenschappen en werken ze op verschillende tijdschalen. Deze uitdagingen maken het plannen en aansturen van verschillende DER’s onder onzekerheid met conventionele technieken erg moeilijk. Huidige benaderingen zoals Model Predictive Control (MPC) kunnen bijvoorbeeld geen effectieve ‘anytime’-oplossing garanderen voor real-time controle en planning, voornamelijk vanwege schaalbaarheidsproblemen op het vlak van rekenkracht. Bovendien mist MPC aanpassingsvermogen in stochastische omstandigheden, wat de effectiviteit in real-time, onvoorspelbare situaties beperkt. MPC is echter wel zeer geschikt voor het hanteren van harde beperkingen, wat het nuttig maakt in veiligheid-kritische toepassingen zoals energiesystemen.

Een tweede groep technieken die in de literatuur wordt voorgesteld voor besluitvorming onder onzekerheid komt uit het domein van Kunstmatige Intelligentie (AI), namelijk reinforcement learning (RL). RL is een data-gedreven techniek die niet noodzakelijk een fysiek model vereist. Dit geldt ook voor andere data-gedreven technieken. RL kan bijvoorbeeld zijn aansturingsbeleid leren via interacties met de omgeving. Toch brengt de verkennende aard van RL veiligheidsrisico’s met zich mee, en heeft het moeite om zijn geleerde beleid te generaliseren naar nieuwe of onvoorziene omstandigheden, wat het minder adaptief maakt in bepaalde gevallen.

Dit doctoraatsonderzoek heeft als doel om energie-flexibiliteit te verbeteren via geavanceerde en slimme gecoördineerde controlesystemen die de uitdagingen van het aggregeren en coördineren van DER’s kunnen aanpakken, door de voordelen van zowel MPC als leertechnieken te combineren. De ontwikkelde methodologieën zullen worden getraind met historische, reële data en getest in realistische simulaties om hun waarde aan te tonen. Daarnaast zal een benchmarkstudie worden uitgevoerd om de nieuw ontwikkelde methodes te vergelijken met andere state-of-the-art technieken. De belangrijkste uitdagingen waarmee de controller moet omgaan zijn: de inherente onzekerheid en variabiliteit van vraag en aanbod in het energiesysteem, het waarborgen van veiligheid door de operationele limieten van het systeem te respecteren, de onzekerheid over de fysieke systemen onder controle, en het vermogen om zich aan te passen aan nieuwe omstandigheden. Om dit te realiseren zijn drie subdoelstellingen vastgesteld: (1) Verbeteren van energie-flexibiliteit via veilige, adaptieve hybride leertechnieken. (2) Onderzoek naar multi-controller, multi-level en gedecentraliseerde aansturingsstrategieën. (3) Evaluatie en benchmarking van methodes op impact.