Stud.IP Uni Oldenburg
University of Oldenburg
28.10.2021 07:09:01
ThesisTopics

Personal details

Title Randbedingungen im Deep Reinforcement Learning berücksichtigen
Description

In der Abteilung Digitalisierte Energiesysteme wird untersucht wie Deep Reinforcement Learning (DRL)-Algorithmen genutzt werden können, um den Betrieb von Energiesystemen zu optimieren. In elektrischen Netzen ist es dabei wichtig, dass gewisse Randbedingungen eingehalten werden, bspw. dass Spannungsgrenzen nicht über- oder unterschritten werden. Das ist mit klassischen Optimierungsverfahren kein Problem, aber im Standard-Framework von DRL nicht vorgesehen.

In dieser Arbeit sollen verschiedene Verfahren untersucht und verglichen werden wie solche Randbedingungen abgebildet werden können, sodass der Trainingsaufwand gering bleibt und die Randbedingungen mit möglichst geringem Fehler eingehalten werden. Für diese Arbeit können bestehende Modelle des Energiesystems sowie vorimplementierte DRL-Algorithmen genutzt werden. Diese können selbstverständlich auch weiterentwickelt werden.

Home institution Department of Computing Science
Type of work practical / application-focused
Type of thesis Bachelor's or Master's degree
Author Thomas Wolgast, M. Sc.
Status available
Problem statement
Requirement
Vorwissen im Bereich DRL oder Deep Learning wäre hilfreich, ist aber nicht zwingend erforderlich. Die genaue Zielsetzung der Arbeit wird dann entsprechend angepasst. Die Arbeit ist geeignet für Studierende der Informatik, Wirtschaftsinformatik und Renewable Energy (SuRE/EMRE).
Created 02/08/21

Study data

Departments
  • Energieinformatik
  • OFFIS - Energie
  • Digitalisierte Energiesysteme
Degree programmes
  • Master's Programme Business Informatics
  • Bachelor's Programme Computing Science
  • Master's Programme European Master in Renewable Energy (EUREC)
  • Master's Programme Computing Science
  • Bachelor's Programme Business Informatics
  • Master's Programme Renewable Energy Online
Assigned courses
Contact person