Design of a digital twin framework for context-aware energy optimization in heterogeneous IoT systems

Abstract

The increasing use of renewable energy sources presents new challenges for modern energy grids. Unlike conventional generation technologies, renewable sources depend on environmental factors that determine their output. To address this variability, demand response programs shift the responsibility for balancing energy production and consumption to individual consumers. In these programs, consumers are incentivized to adjust their energy consumption to align with the available supply, for example through dynamic prices reflecting the available energy. However, manually adapting to such demands is tedious and time-consuming, highlighting the need for automated solutions. The growing adoption of the Internet of Things (IoT) provides a promising pathway for enabling smart energy management and supports such solutions. This requires a framework that can digitally represent real-world environments, simulate behavior based on relevant information and optimize energy usage accordingly. Since heating and cooling in buildings account for a significant portion of total energy consumption, managing these systems represents a particularly effective entry point for smart energy optimization. To this end, this thesis proposes a framework that uses digital twins to model a smart homes heating system. This enables the prediction of future behavior and optimization of energy consumption in response to grid demands. We develop a context model for the digital twin, identify the components relevant to heating energy systems and define a data representation that facilitates the use by machine learning algorithms for prediction. We implemented our framework in a simple setup and found that the collected data with the identified attributes looks promising for predicting future states. Die zunehmende Nutzung erneuerbarer Energiequellen stellt moderne Energienetze vor neue Herausforderungen. Im Gegensatz zu herkömmlichen Erzeugungstechnologien sind erneuerbare Energiequellen von Umweltfaktoren abhängig, die ihre Leistung bestimmen. Um dieser Variabilität Rechnung zu tragen, verlagern Demand-Response-Programme die Verantwortung für den Ausgleich von Energieerzeugung und -verbrauch auf die einzelnen Verbraucher. In diesen Programmen werden Verbraucher dazu angeregt, ihren Energieverbrauch an das verfügbare Angebot anzupassen, beispielsweise durch dynamische Preise, die die verfügbare Energie widerspiegeln. Die manuelle Anpassung an solche Anforderungen ist jedoch mühsam und zeitaufwändig, was die Notwendigkeit automatisierter Lösungen deutlich macht. Die zunehmende Verbreitung des Internets der Dinge (IoT) bietet vielversprechende Möglichkeiten für ein intelligentes Energiemanagement und unterstützt solche Lösungen. Dies erfordert ein Rahmenwerk, das reale Umgebungen digital darstellen, Verhalten auf der Grundlage relevanter Informationen simulieren und den Energieverbrauch entsprechend optimieren kann. Da Heizung und Kühlung in Gebäuden einen erheblichen Teil des Gesamtenergieverbrauchs ausmachen, stellt die Steuerung dieser Systeme einen besonders effektiven Ansatzpunkt für eine intelligente Energieoptimierung dar. Zu diesem Zweck schlägt diese Arbeit ein Rahmenwerk vor, das digitale Zwillinge zur Modellierung eines Heizungssystems für Smart Homes nutzt. Dies ermöglicht die Vorhersage des zukünftigen Verhaltens und die Optimierung des Energieverbrauchs als Reaktion auf die Anforderungen des Stromnetzes. Wir entwickeln ein Kontextmodell für den digitalen Zwilling, das die für Heizenergiesysteme relevanten Komponenten identifiziert und eine Datendarstellung definiert, die deren Verwendung durch maschinelle Lernalgorithmen für Vorhersagen erleichtert. Wir haben unser Framework in einem einfachen Setup implementiert und festgestellt, dass die mit den identifizierten Attributen gesammelten Daten vielversprechend für die Vorhersage zukünftiger Zustände sind.