In der Abteilung DES wird untersucht wie Deep Reinforcement Learning (DRL)-Algorithmen genutzt werden können, um den Betrieb von Energiesystemen zu optimieren. Klassischerweise wurde dies mit konventionellen Optimierungsalgorithmen gemacht. DRL-Verfahren haben aber den Vorteil einer schnelleren Lösungsfindung und einer breiteren Anwendbarkeit. Das geht wiederum auf Kosten der Ergebnisgüte.

Reinforcement Learning ist ein sehr allgemeines Framework, in dem ein Agent trainiert wird anhand von observations optimale Handlungen in einer environment durchzuführen. Die Güte seiner Handlungen wird ihm durch ein reward-Signal mitgeteilt. Das heißt im Gegensatz zum Supervised Learning ist die optimale Lösung im Vorhinein üblicherweise nicht bekannt (oder schwer zu ermitteln). Das wiederum macht RL geeignet für die Lösung von jeglicher Art von Optimierungsproblemen. Deep RL ist wiederum einfach die Kombination mit Verfahren des Deep Learnings, insbesondere die Verwendung von Neuronalen Netzen.

Wir nutzen DRL, um den Betrieb von Energiesystemen zu optimieren, aber auch das Verhalten einzelner Akteure innerhalb des Systems, bspw. von Kraftwerken, die im Energiemarkt aktiv sind.

Ich biete immer wieder Arbeiten in diesem Themenbereich an. Falls Interesse an (Deep) Reinforcement Learning, Machine Learning im Allgemeinen oder dem Energiesystem und Energiemärkten besteht, schaue gerne in meine Ausschreibungen. Und auch wenn gerade keine Ausschreibung öffentlich ist, melde dich gerne und ich schaue ob ich etwas anbieten kann.

 

Vorwissen im Bereich DRL oder Deep Learning ist immer hilfreich, aber nicht zwingend erforderlich. Die genaue Zielsetzung der Arbeit wird dann entsprechend angepasst. Die meisten Arbeiten sind geeignet für Studierende der Informatik, Wirtschaftsinformatik oder auch Renewable Energy (SuRE/EMRE).