inf515 - Intelligente Energiesysteme (Vollständige Modulbeschreibung)

Programmierkenntnisse in Python

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

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

• 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

Am Ende der Veranstaltungszeit

Mündliche Prüfung