Im Zuge der Energiewende sind dezentrale, elektrische Energienetze, sog. Microgrids (µG), eine wichtige Lösungskomponente, um eine durchgängige effiziente Energieversorgung sicherzustellen. Als µG wird das Konzept eines lokalen Netzes bezeichnet, welches aus Energiequellen (z. B. Windkraftanlagen), Energiespeichern (z. B. Batterien) und Energieverbrauchern verschiedener Sektoren (z. B. Elektrizität, Wärme, Mobilität) besteht. Durch die Integration regenerativer Energien mittels µG, z. B. innerhalb von Industrieunternehmen oder Wohnquartieren, wird Energie lokal erzeugt und genutzt. Die überregionalen Energienetze werden dadurch entlastet und der Bedarf an weiterem neuen Netzausbau gesenkt. µG verfügen i. d. R. über wenig Energiespeicher, um die Netzfrequenz und -spannung zu stabilisieren. Stattdessen werden auf regenerativen Energien basierende Kraftwerke (Wind, Photovoltaik), die starken Leistungsschwankungen unterliegen (volatil), sowie elektrische Speicher mittels elektrischer Steller (Regler) in die lokalen Netze eingebunden. Zudem sind µG heterogen und je nach Anwendungsgebiet anders ausgerichtet. Zum Betrieb und zur Regelung derartiger heterogener und volatiler Energienetze zeichnen sich datengetriebene, adaptive und selbstlernende Verfahren, bspw. aus dem Bereich des Reinforcement Learning (RL), als mögliche Lösungsansätze ab. Aufgrund von Sicherheits- und Verfügbarkeitsaspekten können diese lernenden Regelungsverfahren nicht unmittelbar im Feld eingesetzt werden, sondern müssen zunächst auf Basis synthetischer Daten in einem geschlossenen Simulationszyklus bewertet und verbessert werden.