In komplexen (Multi-)Energiesystemen können, durch verschiedene Interessen oder schlicht fehlerbehafteten Kontrollalgorithmen, Konflikte zwischen Controllern (z.b. in Trafos oder Erzeugern) entstehen. Ein Konflikt ist hierbei eine ungewollte (oft indirekte) Interaktion zwischen mindestens zwei Controllern, aus der ein instabiler Systemzustand entsteht (z.b Gleichzeitige zu starke Hochregelung zweier Anlagen mit Folge einer zu hohen Spannung).

Unter anderem durch die stärkere Verbreitung von DERs (Distributed Energy Resources) entsteht eine Notwendigkeit vom Weggang von zentralen Kontrollmethoden hin zu dezentralen Methoden für die Vermeidung von Konflikten. Die Umsetzung dezentraler Kontrollalgorithmen kann mit Multi-Agenten-Systemen (MAS) realisiert werden. Dabei handelt es sich um ein System von autonomen Einheiten, welche mit Hilfe von Kommunikation ein Problem lösen.

Um mit MAS einen stabilen Betrieb zu realisieren, sollen adaptive lernbasierte Algorithmen verwendet werden. Eine der möglichen Methoden um das zu erreichen sind Learning Classifier Systems (LCS). Bei LCS werden Regelmengen durch Belohnungen für vorangegangene Aktionen erlernt (Reinforcement Learning). Eine Regel beschreibt hierbei die Konfiguration einer durch den Agenten kontrollierten Komponente als Reaktion auf einen Systemzustand. Natürlicherweise beeinflussen sich Agenten hierbei gegenseitig (z.B. im Hinblick auf die Kontrollvariable Spannung). LCSs berücksichtigen allerdings allein den aktuellen Zustand des beobachtbaren Systems zusammen mit den erlernten Regeln aus der Vergangenheit. Es ist gegenüber dem einzelnen Agenten intransparent wie ggf. Nachbarn regeln und somit ist ein Erlernen von stabilen Regelmengen schwierig.

Als Idee zur Lösung dieses Problems sollen in dieser Masterarbeit Einflusserkennungen genutzt werden, welche in der Lage sind mathematisch die Abhängigkeiten von Agenten zu beschreiben. Diese Beschreibungen sollen bei der Erlernung von Regeln helfen. Hierfür wird es nötig werden Kommunikationsstrukturen innerhalb eines Agentensystems zu etablieren (z.B. durch Verbünde).

Durch die Arbeit lernt der Student / die Studierende, neben der Einflusserkennung an sich, Multi-Energiesysteme, MAS und lernbasierte adaptive Verfahren kennen. Weiterhin werden Kenntnisse in asynchroner Programmierung in Python erworben.

• Recherche von geeigneten Metriken/Ansätzen zur Einflusserkennung in dem genannten Anwendungsfall

• Qualifizierter und simulativer Vergleich der verschiedenen Ansätze

• Integration der Einflusserkennung in ein LCS und Evaluation des Gesamtsystems im Hinblick auf den Effekt der Einflusserkennung

• (Optional) Vorkenntnisse im Bereich Reinforcement Learning und (Multi-)Energiesystemen

• Grundlegende Kenntnisse der Programmiersprache Python