Thema: Randbedingungen im Deep Reinforcement Learning berücksichtigen

Thema: Randbedingungen im Deep Reinforcement Learning berücksichtigen

Grunddaten

Titel Randbedingungen im Deep Reinforcement Learning berücksichtigen
Beschreibung

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.

Heimateinrichtung Department für Informatik
Art der Arbeit praktisch / anwendungsbezogen
Abschlussarbeitstyp Bachelor oder Master
Autor Thomas Wolgast, M. Sc.
Status abgeschlossen
Aufgabenstellung
Voraussetzung
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).
Erstellt 02.08.2021
Abgeschlossen am 01.02.2023

Studiendaten

Abteilungen
  • Digitalisierte Energiesysteme
  • OFFIS - Energie
  • Energieinformatik
Studiengänge
  • Fach-Bachelor Wirtschaftsinformatik
  • Master European Master in Renewable Energy
  • Master Informatik
  • Master Renewable Energy Online
  • Fach-Bachelor Informatik
  • Master Wirtschaftsinformatik
Zugeordnete Veranstaltungen
Ansprechpartner