Das Modul befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Das Modul vermittelt moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens als 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 Fachkompetenzen
Die Studierenden
kennen Methoden zur Modellierung der Flexibilität von Energieanlagen mittels maschinellem Lernen
können Flexibilitätsmodelle implementieren
kennen verschiedene Ansätze der Agenten-basierten Modellierung und Koordination im elektrischen Netz
kennen Techniken des Adversarial Resilience Learning
bewerten verschiedene Verfahren des Deep und Reinforcement Learning hinsichtlich ihrer Eigenschaften und Eignung in der verteilten Lastplanung
charakterisieren Methoden maschinellen Lernens anhand ihrer Eigenschaften
Methodenkompetenz
Die Studierenden
erzeugen systematisch zulässige Lösungen mittels Einsatz von Dekodertechnik
wenden maschinelles Lernen in verteilten Algorithmen praktisch an
Sozialkompetenz
Die Studierenden
wenden die Entwicklungsmethode des Pairprogrammings an
diskutieren die getroffenen Design Entscheidungen
präsentieren ihre Arbeitsergebnisse anderen Studierenden
Selbstkompetenz
Die Studierenden
reflektieren den eigenen Umgang mit der begrenzten Ressource Energie
nehmen Kritik an und verstehen sie als Vorschlag für die Weiterentwicklung des eigenen Handelns
erkennen die gesellschaftspolitische Verantwortung beim Einsatz von Methoden der künstlichen Intelligenz
geometrische Untervektorraummodellierungen vermittelt und von den Studierenden angewendet
Grundlagen verteilter Algorithmen in Energienetzen vermittelt
das Design intelligenter Agenten mittels Reinforcement Learning und Q-Learning vermittelt und praktisch angewendet
Grundlagen des Adversarial Resilience Learning vermittelt
Literaturempfehlungen
Lapan, Maxim. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt Publishing Ltd, 2018.
Dokumentation von PandaPower unter https://pandapower.readthedocs.io/en/latest/
