TY - THES A3 - Böcker, Joachim A3 - Wallscheid, Oliver AB - Die zunehmende Verbreitung dezentraler Stromversorgung führt zu einer stärkeren Verbreitung umrichterbasierter Systeme. Diese Veränderung motiviert die Etablierung von Microgrids, bei denen es sich um umrichterbasierte, lokale Energienetze handelt, in denen ein elektrischer Energiespeicher als Freiheitsgrad genutzt wird um lokal Bedarf und Erzeugung zu synchronisieren. Um die lokalen Erzeugungskapazitäten optimal zu nutzen und eine hohe Versorgungsqualität zu gewährleisten, muss das Regelverhalten hohen Anforderungen gerecht werden. Die Anforderungen an eine genaue Systemmodellierung, der Aufwand für die Regelungsauslegung und das erforderliche Fachwissen stellen Herausforderungen bei herkömmlichen Ansätzen wie Proportional-Integral(PI)-Reglern oder optimale Regelungsansätzen, wie modellprädiktive Regelung dar, wenn sie auf eine große Anzahl einzelner Systeme skaliert werden müssen. Diese Herausforderungen können durch Reinforcement Learning datenbasiert bewältigt werden. Beim Reinforcement Learning wird eine Regelung mit aus der Interaktion mit dem technischen System (hier Wechselrichter) gewonnenen Daten trainiert. Durch das datenbasierte Verfahren wird ein modellfreier, selbstadaptiver und weitgehend automatischer Reglerentwicklungsprozess mit minimalem menschlichem Aufwand ermöglicht.Um vom datenbasierten Verfahren zu profitieren, müssen die Daten aus der Interaktion mit einer realen Hardwareanwendung gewonnen werden. Dies stellt eine Herausforderung hinsichtlich der Sicherheit des Wechselrichters während des Lernprozesses dar. Um dieser zu begegnen, wird in dieser Arbeit ein Standardalgorithmus für Reinforcement Learning um eine Sicherheitskomponente erweitert, was ermöglicht, die Regelung eines Wechselrichters in einer Echtzeit-Anwendung in der realen Welt ohne vorherige Parameterkenntnisse und ohne menschliches Eingreifen sicher zu erlernen. In einem solchen Experiment wird das sichere Erlernen der Spannungsregelung durch Reinforcement Learning mit einem dreiphasigen 250 kVA Wechselrichter vorgestellt.Im Zuge eines Machbarkeitsnachweises, bei dem eine konstante ohmsche Last versorgt wird, wird die Sicherheitserweiterung erläutert und validiert. Der Reinforcement Learning Regler wird mit modellprädiktiven und PI-Reglern verglichen, wobei die Vorteile in Bezug auf Transiente, das stationäre Verhalten sowie die Kompensation von Nichtlinearitäten und Schieflasten hervorgehoben werden. Die Erweiterung von Sicherheitsansatz und Lernexperiment auf beliebige Lasten ermöglicht eine allgemeine Anwendung in elektrischen Energienetzen, wodurch der datenbasierte Spannungsregler in einem dezentralen, umrichterbasierten Microgrid anwendbar ist. Basierend auf Lernalgorithmen und allgemeinen Auslegungsregeln ermöglicht dieser Aufbau eine vollautomatische und modellfreie Inbetriebnahme, was experimentell in einem 1.25 MVA System demonstriert wird. AU - Weber, Daniel CY - Paderborn DO - 10.17619/UNIPB/1-2717 DP - Universität Paderborn LA - eng N1 - Tag der Verteidigung: 20.07.2026 N1 - Universität Paderborn, Dissertation, 2026 PB - Universität Paderborn PY - 2026 SP - 1 Online-Ressource (xix, 124 Seiten) : Diagramme, Illustrationen T2 - Institut für Elektrotechnik und Informationstechnik TI - Safe reinforcement learning-based control of voltage-forming grid inverters UR - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-59554 Y2 - 2026-10-04T01:03:06 ER -