Stud.IP Uni Oldenburg
University of Oldenburg
18.08.2022 10:15:59
inf515 - Intelligent Energy Systems (Complete module description)
Original version English Download as PDF
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 Comment 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