AG

M. Sc. Armin Gießler

  • Karlsruher Institut für Technologie (KIT) Campus Süd
    Institut für Regelungs- und Steuerungssysteme
    Geb. 11.20 (Engler-Villa)
    Kaiserstr. 12
    D-76131 Karlsruhe

Lebenslauf

Studium der Elektro- und Informationstechnik am Karlsruher Institut für Technologie (KIT) mit Auslandssemester an der Linköping Universität in Schweden. Praktische Tätigkeiten bei der Pepperl+Fuchs GmbH in Mannheim im Bereich Identifikationssysteme für Fabrikautomation (2017). Bachelorarbeit bei der Vector Informatik GmbH in Stuttgart zum Thema „Optimierung von parallelisierten Flash-Abläufen innerhalb eines Fahrzeuges“ (2019).

Anschließendes Masterstudium am KIT mit der Vertiefungsrichtung Regelungs- und Steuerungstechnik und Auslandsemester an dem Instituto Superior Técnico in Portugal.  Masterarbeit am Institut für Regelungs- und Steuerungssysteme (IRS) zum Thema „Distributed Optimization for Distributed Model Predictive Control“ (2021).

Seit Januar 2022 wissenschaftlicher Mitarbeiter am IRS.

Forschung

AG

Regelung und Koordinierung von DC Microgrids

Im Rahmen meiner Forschung beschäftige ich mich mit der Regelung und Koordinierung von Erzeugern, Verbrauchern und Speichern in DC Microgrids. Ziel ist die effiziente und sichere Regelung der dynamischen Komponenten im Microgrid.

Bei der Koordinierungsaufgabe werden üblicherweise statische Betriebspunkte berechnet, welche optimale Ökonomie oder minimale Leitungsverluste gewährleisten. Diese Betriebspunkte werden von echtzeitfähigen Primärreglern bestmöglich eingeregelt. Gleichzeitig regulieren diese Primärreglern die Spannungen im Netz, sodass das dynamische Microgrid in gewünschten Arbeitspunkten stabilisiert wird.

In meiner Forschung versuche ich diese hierarchische Regelungsarchitektur aufzubrechen und konventionelle Regler, z.B. grid-forming und grid-following Regler, neu zu denken. Das Ziel ist das Erreichen von optimaler transienter Ökonomie bei gleichzeitiger Stabilisierung des Stromnetzes. Dazu werden neuartige lernende Regler, z.B. Reinforcement Learning Regler, eingesetzt, welche auch Eingangs- und Zustandsbegrenzungen berücksichtigen. Die Stabilität solcher Regler können analytisch (unter Verwendung der Dissipativitätstheorie) nachgewiesen oder numerisch verifiziert werden.

Publikationen