Nutzung der Flexibilität des Power-to-Heat-Betriebs in Gebäuden und Fernwärme zur Unterstützung von Stromversorgungssystemen: Ein Rückblick
Veröffentlicht in: Advances in Applied Energy, Band 22, 2026, Seite 100272
Benjamin Freischlad, Chia-Ling Yang, Agnes Engelter, Christian Vossel, Florian Reissner, Florian Steinke, Stefan Nießen
In diesem Bericht wird untersucht, wie Power-to-Heat (P2H) -Systeme wie Wärmepumpen thermische Speicher und Gebäudeträgheit nutzen, um die Flexibilität des Stromnetzes für Fern- und Fernwärme zu gewährleisten. Mithilfe eines systematischen Literaturauswahlverfahrens werden Simulationstools, Kontrollstrategien und Marktrahmen zusammen mit Fallstudien aus der Praxis untersucht. Obwohl das kleine und simulierte P2H-Potenzial gut bewiesen ist, bestehen nach wie vor kritische Lücken in Bezug auf skalierbare Kontrollstrategien, groß angelegte Feldvalidierung und sektorübergreifende Planung.
Auf der Verlagsseite ansehen
RL Feinabstimmung generalistischer Roboterrichtlinien unter Inferenzlatenz
Eingereicht an: 2026 Conference on Robot Learning (CoRL)
Brian Zhust¹, Momen Khalilück¹, E.H. HarrisonŸ-², Emanuele Poggi-¹, Philipp Sebastian Schmitt¹, Bernd Kast¹, Philine Meister¹, Pranav Atreya², Qiyang Li², Finn Ferchau¹, Cesar Colmenero¹, Yash Shahapurkar¹, Gokul Narayanan¹, Melih Erdogan¹, Pier Mees³4², Kai M. Wurm¹, Georg von Wichert¹, Eugen Solowjow¹, Andrew Wagenmaker², Sergey Levine²
(¹ Siemens, ² UC Berkeley, ³ Microsoft, 4 ETH Zürich, ⁵ Gleicher Beitrag)
Große moderne Roboterrichtlinien, wie Vision-Language-Action (VLA) -Modelle, leiden unter einer hohen Inferenzlatenz. Diese Verzögerung verändert die Umgebungsdynamik und widerspricht der Markov-Annahme, was dazu führt, dass Standard-Reinforcement-Learning-Algorithmen (RL) versagen. Um das zu lösen, führen die Autoren asynchronous RL with Intermediate Information (ARLI) ein, ein latenzbewusstes Framework, das trotz Ausführungsverzögerungen eine effektive RL-Feinabstimmung ermöglicht. ARLI stellt die fast markovianische Struktur mithilfe von Zustandserweiterungen wieder her, die engagierte Aktionen und Beobachtungen aus der Mitte der Inferenz einbeziehen. Bei simulierten und realen Aufgaben ermöglicht ARLI erfolgreiches RL unter Latenz, wo Standardmethoden versagen, und erreicht oder übertrifft sogar die ideale Leistung ohne Latenz.
Auf der Verlagsseite ansehen
Ko-Optimierung von Wechselrichtersteuerungen und Leitungsschutzfunktionen für eine verbesserte Schutzzuverlässigkeit und Systemstabilität
Veröffentlicht in: Generalversammlung der IEEE Power & Energy Society 2025 (PESGM)
S. Bhela, S. Gumussoy, U. Muenz (Siemens Foundational Technology, Princeton, NJ, USA), D.J. Kelly, M.J. Reno (Sandia National Laboratories, Albuquerque, NM, USA)
Der Schutz moderner Stromversorgungssysteme basiert auf der Dynamik synchroner Generatoren, die zunehmend durch wechselrichtergestützte Ressourcen (IBRs) auf Netzfolgen und Netzformung (GFM) ersetzt werden. Da IBRs eine drastisch unterschiedliche Fehlerdynamik aufweisen, können bestehende Schutzsysteme unzureichend werden. In diesem Artikel wird ein Framework vorgestellt, das Bayessche Optimierung und EMT-Simulation verwendet, um die GFM-Fault-Ride-Through-Funktionen und den Leitungsschutz gemeinsam zu optimieren und die verbesserte Zuverlässigkeit und Stabilität des Schutzes in einem 100-prozentigen IBR-Testnetzwerk nachzuweisen.
Auf der Verlagsseite ansehen
Geglättete Distanzfunktionen für die direkte optimale Steuerung von Systemen mit vielen Kontakten
Veröffentlicht in: 2025 23rd European Control Conference (ECC)
Christian Dietz, Sebastian Albrecht, Armin Nurkanovic, Moritz Diehl
Standard-Distanzfunktionen wie das euklidische SDF sind für nicht glatte starre Körper wie Polytope nicht differenzierbar. In diesem Artikel wird eine Glättungsmethode für eine Polytopwachstumsdistanzfunktion vorgeschlagen, die als parametrisches lineares Programm modelliert ist. Indem sie die Optimalitätsbedingungen stören, beweisen die Autoren, dass das resultierende glatte SDF gut definiert ist. Im Gegensatz zu früheren Ansätzen, die exakte SDF-Optimalitätsbedingungen direkt in ein Optimalkontrollproblem (OCP) einbetten, ermöglicht die Glättung eine externe Bewertung. Das reduziert die OCP-Größe und verteilt den Rechenaufwand gleichmäßiger auf Funktionsauswertungen und Solver. Die Methode wurde mit einer CasaDi-Implementierung an einer planaren Peg-in-Hole-Aufgabe evaluiert und zeigt eine verbesserte Optimierungsleistung.
Auf der Verlagsseite ansehen
Mehrschichtiger Feature-Exchange-Transformator für die Schätzung der Pose von 6D-Objekten mit mehreren Ansichten bei der Roboter-Bin-Picking-Funktion
Veröffentlicht in: IEEE International Conference on Robotics and Automation 2025 (ICRA)
Momen Khalil; Vincent Dietrich; Slobodan Ilic
Eine genaue 6D-Schätzung der Objektposition ist für die robotergestützte Müllentnahme mit texturlosen, reflektierenden oder verdeckten Objekten unerlässlich. Während Methoden mit mehreren Ansichten besser abschneiden als Single-View-Verfahren, basieren aktuelle Techniken auf einer Fusion im Spätstadium, sodass eine vollständige Mehransichtssynergie fehlt. In diesem Artikel wird ein Feature Exchange Transformer (FET) vorgestellt, der eine Feature-Fusion im Frühstadium mithilfe von Selbstaufmerksamkeit und epipolarer Kreuzaufmerksamkeit ermöglicht. Eine Strategie von Grob bis Fein optimiert die mehrschichtige Feature-Aggregation über mehrere Ansichten hinweg weiter. Die auf EpiSurfEMB aufbauende Methode verbessert die Genauigkeit und Robustheit in komplexen Bin-Picking-Szenarien erheblich und übertrifft damit die aktuellen Multiview-Methoden des ROBI-Datensatzes auf dem neuesten Stand der Technik.
Auf der Verlagsseite ansehen
