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 |