inf515 - Intelligente Energiesysteme (Veranstaltungsübersicht)

Department für Informatik

6 KP

Modulteile

Semesterveranstaltungen Sommersemester 2024

Prüfungsleistung

Vorlesung

2.01.515 - Intelligente Energiesysteme
- Dr.-Ing. Eric Veith
- Jörg Bremer
Mittwoch: 10:00 - 14:00, wöchentlich (ab 03.04.2024)

Modern power grids face a multitude of challenges: A high share of renewables means a more sophisticated management of real power demand and supply, ancillary services are provided in an ever more decentralized manner, and power grids must become resilient instead of just being robust. Agent systems have established themselves as methodology for a decentralized and resilient operation of modern power grids. Especially learning agents based on Deep Reinforcement Learnings can react to unforseen events and find good strategies even in complex situations. In this lecture, we will introduce an approach for flexibility modelling as a way to provide an agent's view of the world, and will extensively concern ourselves with the application of Deep Reinforcement Learning in power grids, including approaches to explainability and learning from domain knowledge (offline learning).

Übung

2.01.515 - Intelligente Energiesysteme
- Dr.-Ing. Eric Veith
- Jörg Bremer
Mittwoch: 10:00 - 14:00, wöchentlich (ab 03.04.2024)

Modern power grids face a multitude of challenges: A high share of renewables means a more sophisticated management of real power demand and supply, ancillary services are provided in an ever more decentralized manner, and power grids must become resilient instead of just being robust. Agent systems have established themselves as methodology for a decentralized and resilient operation of modern power grids. Especially learning agents based on Deep Reinforcement Learnings can react to unforseen events and find good strategies even in complex situations. In this lecture, we will introduce an approach for flexibility modelling as a way to provide an agent's view of the world, and will extensively concern ourselves with the application of Deep Reinforcement Learning in power grids, including approaches to explainability and learning from domain knowledge (offline learning).

Hinweise zum Modul

Teilnahmevoraussetzungen	Programmierkenntnisse in Python
Prüfungszeiten	Am Ende der Veranstaltungszeit
Prüfungsleistung Modul	Mündliche Prüfung
Kompetenzziele	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