Loading…
Thumbnail Image

Applying modeling, simulation and machine learning for the renewable energy transition

Lindner, Michael

Mitigating climate change and reducing emissions of greenhouse gases to net-zero by mid-century is a huge global challenge. The renewable energy transition is one of the key pillars of a net-zero economy, and implies large scale transformations of the energy system, as well as of societal norms and human behaviour. This thesis employs the tools of modeling, simulation and machine learning for two paradigmatic sub-problems of the energy transition: Firstly, to identify equitable emission reduction potentials through infrastructural and behavioural changes a detailed understanding of the socio-economic realities of emitters is needed. In an interdisciplinary case study for the UK we model personal consumption carbon footprints and shed light on their connection to social inequalities. Secondly, even if potentials for emissions reductions are fully utilised, the energy transition poses large challenges for the electricity infrastructure. On the one hand, the electrification of the building and mobility sectors implies large increases in electricity demand. On the other hand, the impact of renewables on the stability of the power grid is less understood than that of the fossil-fuel based generation they are going to replace. Based on extensive simulations of a simple power grid model, we demonstrate that machine learning approaches hold large potential for improving the stability assessment of power grids with renewables.
Die Eindämmung des Klimawandels durch die Verringerung der Treibhausgasemissionen auf Netto-Null bis zur Mitte des Jahrhunderts ist eine große globale Herausforderung. Die Energiewende ist einer der wichtigsten Stützpfeiler einer Null-Emissionen-Wirtschaft und erfordert weitreichende Veränderungen des Energiesystems sowie der gesellschaftlichen Normen und des menschlichen Verhaltens. In dieser Arbeit werden Modellierung, Simulationen und maschinelles Lernen für zwei paradigmatische Teilprobleme der Energiewende eingesetzt. Erstens, um faire Möglichkeiten für die Minderung von Emissionen durch infrastrukturelle und verhaltensbezogene Veränderungen zu identifizieren, ist ein detailliertes Verständnis der sozioökonomischen Lebensumstände der Emittierenden erforderlich. In einer interdisziplinären Fallstudie für das Vereinigte Königreich modellieren wir den Kohlenstoff-Fußabdruck von Verbrauchern und beleuchten dessen Zusammenhang mit sozialen Ungleichheiten. Zweitens, selbst wenn die Potenziale zur Emissionsreduzierung voll ausgeschöpft werden, stellt die Energiewende die Strominfrastruktur vor große Herausforderungen. Einerseits bedeutet die Elektrifizierung der Gebäude- und Mobilitätssektoren einen starken Anstieg der Stromnachfrage. Andererseits ist der Einfluss der erneuerbaren Energien auf die Stabilität des Stromnetzes weniger gut verstanden als der der fossilen Energien, die sie ersetzen werden. Anhand umfangreicher Simulationen eines einfachen Stromnetzmodells zeigen wir, dass die Methoden des maschinellen Lernens ein großes Potenzial zur Verbesserung der Stabilitätsbewertung von Stromnetzen mit erneuerbaren Energien bieten.