Ziel dieser Arbeit ist es Kontrollstrategien mittels Deep Reinforcement Learning (DRL) Agenten für das Management von Stromnetzen zu erlernen. Eine hohe Belastung des Stromnetzes muss nicht zwangsläufig (direkt) zu einem kompletten Blackout führen, sondern es können auch (zunächst) nur einzelne Netzabschnitte ausfallen (Grayout). Um entstehende "Ungleichgewichte" bei der Netzauslastung auszubalancieren können Netzabschnitte über andere Einspeisepunkte versorgt werden. Durch das Ändern von Schalterstellungen wird das Netz rekonfiguriert wodurch sich dessen Topologie verändert. Klassische DRL Agenten mit vollvermaschten Strategienetzwerden (Feed-forward Deep Neural Networks) können dabei nur schlecht mit solchen Topologieänderungen in der (Stromnetz-)Umgebung umgehen; sie sind also unrobust gegenüber solchen selten auftretenden Ereignissen, was sich in einer "schlechten" oder sogar schädlichen Kontrollstrategie wiederspiegelt. Graph DRL (GRL) widmet sich genau diesem Problem indem es die inhärente Eigenschaft der Graphumgebungsstruktur lernt und dadurch mit Topologieänderungen umgehen kann. Der Zweck dieser Arbeit besteht also darin Agenten mit GRL Algorithmen bzw. mit Graph Neural Network (GNN) Modellen zu lernen um diese robust(er) gegenüber Topologieänderungen im Vergleich zu klassischen DRL Algorithmen bzw. Modellen zu machen.

Ziel dieser Arbeit ist es Kontrollstrategien mittels Deep Reinforcement Learning (DRL) Agenten für das Management von Stromnetzen zu erlernen. Eine hohe Belastung des Stromnetzes muss nicht zwangsläufig (direkt) zu einem kompletten Blackout führen, sondern es können auch (zunächst) nur einzelne Netzabschnitte ausfallen (Grayout). Um entstehende "Ungleichgewichte" bei der Netzauslastung auszubalancieren können Netzabschnitte über andere Einspeisepunkte versorgt werden. Durch das Ändern von Schalterstellungen wird das Netz rekonfiguriert wodurch sich dessen Topologie verändert. Klassische DRL Agenten mit vollvermaschten Strategienetzwerden (Feed-forward Deep Neural Networks) können dabei nur schlecht mit solchen Topologieänderungen in der (Stromnetz-)Umgebung umgehen; sie sind also unrobust gegenüber solchen selten auftretenden Ereignissen, was sich in einer "schlechten" oder sogar schädlichen Kontrollstrategie wiederspiegelt. Graph DRL (GRL) widmet sich genau diesem Problem indem es die inhärente Eigenschaft der Graphumgebungsstruktur lernt und dadurch mit Topologieänderungen umgehen kann. Der Zweck dieser Arbeit besteht also darin Agenten mit GRL Algorithmen bzw. mit Graph Neural Network (GNN) Modellen zu lernen um diese robust(er) gegenüber Topologieänderungen im Vergleich zu klassischen DRL Algorithmen bzw. Modellen zu machen.

Die Komplexität ist eher auf eine Masterarbeit abgestimmt und kann zu einer Publikation führen. Es ist möglich, die Arbeit in Deutsch oder Englisch zu verfassen (eigene Präferenz).

Ziele:
- Integration (oder ggf. Implementierung) eines eines GRL Algorithmus
- Evaluation des GRL Agenten unter Topologieänderungen
- Analyse und Vergleich der Robustheit eines klassichen DRL und des GRL Agenten unter den Topologiänderungen

Diese Ziele dienen nur als Referenz und können unter Absprache verändert werden!
 

Programmierkenntnisse sind zwingend erforderlich. Hilfreiche Kenntnisse sind dabei:

-     Python
-     Kenntnisse über Energiesysteme
-     Machine Learning mittels PyTorch
-     Graph Neural Networks