In der Abteilung DES wird untersucht wie Deep Reinforcement Learning (DRL)-Algorithmen genutzt werden können, um den Betrieb von Energiesystemen zu optimieren. Der Beweis, dass das möglich ist, wurde bereits mehrfach erbracht. Es gibt aber eine Vielzahl von DLR-Algorithmen und die meisten Veröffentlichungen in dem Bereich wählen (vermutlich willkürlich) nur einen dieser Algorithmen aus und verwenden diesen. Wir haben in vergangenen Arbeiten inzwischen mehrfach festgestellt, dass gewisse Algorithmen deutlich besser geeignet sind, während Andere vollkommen scheitern.  

Aus den genannten Gründen soll in dieser Arbeit ein systematischer experimenteller Vergleich verschiedener DRL-Algorithmen für die Optimierung von Energiesystemen durchgeführt werden, um herauszufinden welche Algorithmen oder Algorithmenklassen besonders gut für diese Aufgabe geeignet sind. Da eine Implementierung von gleich mehreren Algorithmen sehr zeitaufwändig wäre, kann dabei gerne auf fertige interne oder öffentliche DRL-Implementierungen zurückgegriffen werden, bspw. chainerRL (https://github.com/chainer/chainerrl) oder RLlib (https://docs.ray.io/en/master/rllib.html).  Auch fertige Modelle des Energiesystems können genutzt werden. Falls Interesse besteht sich in diese Themen vertieft einzuarbeiten und eigene Algorithmen zu implementieren, ist das natürlich auch möglich.

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).