Stud.IP Uni Oldenburg
University of Oldenburg
27.10.2021 14:54:34
Lecture: 2.01.584 Intelligente Energiesysteme - Details
You are not logged into Stud.IP.

General information

Course name Lecture: 2.01.584 Intelligente Energiesysteme
Subtitle
Course number 2.01.584
Semester Sommersemester 2021
Current number of participants 10
expected number of participants 25
Home institute Department of Computing Science
Courses type Lecture in category Teaching
First date Wed., 14.04.2021 08:00 - 10:00
Type/Form V+Ü
Performance record Mündliche Prüfung
Lehrsprache deutsch

Course location / Course dates

n.a. Wednesday: 08:00 - 10:00, weekly
Thursday: 08:00 - 10:00, weekly

Comment/Description

Die Veranstaltung befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Die Integration von verteilt genutzten und dargebotsabhängigen Primärenergien stellt eine wesentliche Herausforderung der Energiewende dar. Mit der zunehmenden Digitalisierung wird aus den historisch gewachsenen Energieversorgungsstrukturen ein komplexes und dynamisches cyber-physisches Energiesystem (CPES), in dem tausende Komponenten miteinander interagieren.
Moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens leisten dabei an vielen Stellen einen Beitrag: beispielsweise in der semi-automatischen Betriebsführung von Stromnetzen, bei der von Einsicht getriebenen Vermarktung von dezentralen Energieanlagen oder bei der Prognose von Last- und Erzeugungszeitreihen. Dabei erfordert die enge Verknüpfung von Energiesystemen und IKT-Infrastruktur in Smart Grids auch ein adaptives und autonomes „Immunsystem“, um mit Angriffen gegen die Infrastruktur und Ausfällen von Teilsystemen umgehen zu können.
Durch verteilte Künstliche Intelligenz wird es möglich, die verteilten Komponenten eines CPES mit Intelligenz und Autonomie auszustatten und mit Verfahren der Selbstorganisation untereinander zu vernetzen.
Inhaltlich geht es um Agenten im Smart Grid, Verteilte Lastplanung, Flexibilitätsmodellierung durch Dekoder/ Surrogatmodellierung, Combinatorial Optimization Heuristics for Distributed Agents, Deep Learning mit PyTorch, Reinforcement Learning und Q-Learning, Differentiable Neural Computing und Adversarial Resilience Learning