inf515 - Intelligent Energy Systems (Complete module description)

Navigation

Stud.IP Uni Oldenburg

University of Oldenburg Stud.IP homepage

18.08.2022 10:15:59

Module label	Intelligent Energy Systems
Module code	inf515
Credit points	6.0 KP
Workload	180 h
Institute directory	Department of Computing Science
Applicability of the module	Master's Programme Business Informatics (Master) > Akzentsetzungsmodule der Informatik Master's Programme Computing Science (Master) > Angewandte Informatik
Responsible persons	Bremer, Jörg (Module responsibility) Lehnhoff, Sebastian (Module responsibility) Lehrenden, Die im Modul (Authorized examiners)
Prerequisites
Skills to be acquired in this module	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
Module contents	In dieser Veranstaltung werden mathematische Grundlagen Supportvektor-basierter Modellierungstechniken vermittelt 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
Reader's advisory	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/ Mehr wird in der Veranstaltung bekannt gegeben
Links
Languages of instruction	German, English
Duration (semesters)	1 Semester
Module frequency
Module capacity	unlimited
Modullevel / module level	MM (Mastermodul / Master module)
Modulart / typ of module	Wahlpflicht / Elective
Lehr-/Lernform / Teaching/Learning method	V + Ü
Vorkenntnisse / Previous knowledge	Programmierkenntnisse in Python

Course type	SWS	Frequency	Workload of compulsory attendance
Lecture	3	SuSe or WiSe	28
Exercises	1	SuSe or WiSe	28
Total time of attendance for the module			56 h

Examination	Time of examination	Type of examination
Final exam of module	Am Ende der Veranstaltungszeit	Mündliche Prüfung