Stud.IP Uni Oldenburg
University of Oldenburg
09.08.2022 21:15:37
inf515 - Intelligent Energy Systems (Course overview)
Department of Computing Science 6 KP
Module components Semester courses Sommersemester 2022 Examination
Lecture
  • Unlimited access 2.01.515 - Intelligente Energiesysteme Show lecturers
    • Dr. Jörg Bremer
    • Dr.-Ing. Eric MSP Veith

    Wednesday: 08:15 - 09:45, weekly (from 20/04/22), Location: A04 4-411
    Thursday: 08:15 - 09:45, weekly (from 21/04/22), Location: A01 0-005

    Die Veranstaltung befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Die Integration von verteilt genutzten und dargebotsabhängigen Primärenergien stellt eine wesentliche Herausforderung der Energiewende dar. Mit der zunehmenden Digitalisierung wird aus den historisch gewachsenen Energieversorgungsstrukturen ein komplexes und dynamisches cyber-physisches Energiesystem (CPES), in dem tausende Komponenten miteinander interagieren. Moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens leisten dabei an vielen Stellen einen 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. Dabei erfordert die enge Verknüpfung von Energiesystemen und IKT-Infrastruktur in Smart Grids auch ein adaptives und autonomes „Immunsystem“, um mit Angriffen gegen die Infrastruktur und Ausfällen von Teilsystemen umgehen zu können. Durch verteilte Künstliche Intelligenz wird es möglich, die verteilten Komponenten eines CPES mit Intelligenz und Autonomie auszustatten und mit Verfahren der Selbstorganisation untereinander zu vernetzen. Inhaltlich geht es um Agenten im Smart Grid, Verteilte Lastplanung, Flexibilitätsmodellierung durch Dekoder/ Surrogatmodellierung, Combinatorial Optimization Heuristics for Distributed Agents, Deep Learning mit PyTorch, Reinforcement Learning und Q-Learning, Differentiable Neural Computing und Adversarial Resilience Learning

Exercises
  • Unlimited access 2.01.515 - Intelligente Energiesysteme Show lecturers
    • Dr. Jörg Bremer
    • Dr.-Ing. Eric MSP Veith

    Wednesday: 08:15 - 09:45, weekly (from 20/04/22), Location: A04 4-411
    Thursday: 08:15 - 09:45, weekly (from 21/04/22), Location: A01 0-005

    Die Veranstaltung befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Die Integration von verteilt genutzten und dargebotsabhängigen Primärenergien stellt eine wesentliche Herausforderung der Energiewende dar. Mit der zunehmenden Digitalisierung wird aus den historisch gewachsenen Energieversorgungsstrukturen ein komplexes und dynamisches cyber-physisches Energiesystem (CPES), in dem tausende Komponenten miteinander interagieren. Moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens leisten dabei an vielen Stellen einen 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. Dabei erfordert die enge Verknüpfung von Energiesystemen und IKT-Infrastruktur in Smart Grids auch ein adaptives und autonomes „Immunsystem“, um mit Angriffen gegen die Infrastruktur und Ausfällen von Teilsystemen umgehen zu können. Durch verteilte Künstliche Intelligenz wird es möglich, die verteilten Komponenten eines CPES mit Intelligenz und Autonomie auszustatten und mit Verfahren der Selbstorganisation untereinander zu vernetzen. Inhaltlich geht es um Agenten im Smart Grid, Verteilte Lastplanung, Flexibilitätsmodellierung durch Dekoder/ Surrogatmodellierung, Combinatorial Optimization Heuristics for Distributed Agents, Deep Learning mit PyTorch, Reinforcement Learning und Q-Learning, Differentiable Neural Computing und Adversarial Resilience Learning

Notes for the module
Time of examination
Am Ende der Veranstaltungszeit
Module examination
Mündliche Prüfung
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