Optimization Techniques for Sustainable Energy System Design

Diese Dissertation untersucht Optimierungsverfahren für die nachhaltige Gestaltung von Energiesystemen mit Schwerpunkt auf dem Elektrizitätssektor im Kontext der Energiewende. Aufbauend auf Methoden des Operations Research werden Planungs- und Steuerungsprobleme in den Bereichen Stromverteilnetze und energiebewusste Produktionsplanung adressiert. Die Arbeit umfasst fünf Beiträge: (P1) entwickelt ein lineares Multi-Commodity-Flow-Modell für die kostenoptimale Erweiterung großskaliger Verteilnetze unter Berücksichtigung von Resilienzszenarien und analysiert den Zusammenhang zwischen Modellparametern und Rechenzeiten; (P2) und (P3) befassen sich mit der mehrzielorientierten flexible Job Shop Scheduling-Optimierung unter Echtzeit-Strompreisen, wobei (P3) zusätzlich CO2-Emissionen als Zielgröße integriert; (P4) erweitert dieses Szenario um simultane Energiebeschaffungsentscheidungen aus Netz, erneuerbaren Quellen und Speichersystemen unter Unsicherheit mittels Rolling-Horizon-Ansatz; (P5) vergleicht unterschiedliche Klassen von Many-Objective Evolutionary Algorithms (dominanz-, indikatoren- und dekompositionsbasiert) im Hinblick auf Konvergenz, Diversität und Vollständigkeit der Paretofront. Die entwickelten Modelle und Algorithmen – darunter memetische Varianten von NSGA-II, NSGA-III, θ-DEA und HypE – werden durch umfassende Rechenexperimente evaluiert. Die Ergebnisse liefern praxisrelevante Handlungsempfehlungen für Netzbetreiber, produzierende Unternehmen und politische Entscheidungsträger und leisten einen Beitrag zur effizienten, zuverlässigen und emissionsarmen Energieversorgung der Zukunft.

---

This dissertation explores optimization methods for sustainable energy system design, with a particular focus on the electricity sector in the context of the energy transition. Building on Operations Research methodologies, it addresses planning and control challenges in electricity distribution networks and energy-aware production scheduling. The work comprises five contributions: (P1) develops a linear multi-commodity flow model for cost-optimal expansion of large-scale distribution networks under resilience scenarios and analyzes the relationship between model parameters and computation times; (P2) and (P3) address multi-objective flexible job shop scheduling under real-time electricity pricing, with (P3) further incorporating CO2 emissions as an explicit optimization objective; (P4) extends this scenario to include simultaneous energy procurement decisions from the grid, on-site renewable sources, and energy storage systems under uncertainty, using a rolling horizon approach; (P5) compares different classes of many-objective evolutionary algorithms (dominance-, indicator-, and decomposition-based) in terms of convergence, diversity, and completeness of the Pareto front. The proposed models and algorithms—including memetic variants of NSGA-II, NSGA-III, θ-DEA, and HypE—are evaluated through extensive computational experiments. The findings provide practical recommendations for distribution network operators, manufacturing companies, and policymakers, contributing to the development of efficient, reliable, and low-emission energy systems for the future.