inf515 - Intelligent Energy Systems - Campusmanagementsystem Stud.IP

Department of Computing Science

6 KP

Module components

Semester courses Sommersemester 2023

Examination

Lecture

2.01.515 - Intelligente Energiesysteme
- Jörg Bremer
- Dr.-Ing. Eric Veith
Wednesday: 08:15 - 09:45, weekly (from 12/04/23)
Thursday: 08:15 - 09:45, weekly (from 13/04/23)

Die Veranstaltung befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Die Integration von verteilt genutzten und dargebotsabhängigen Primärenergien stellt eine wesentliche Herausforderung der Energiewende dar. Mit der zunehmenden Digitalisierung wird aus den historisch gewachsenen Energieversorgungsstrukturen ein komplexes und dynamisches cyber-physisches Energiesystem (CPES), in dem tausende Komponenten miteinander interagieren. Moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens leisten dabei an vielen Stellen einen Beitrag: beispielsweise in der semi-automatischen Betriebsführung von Stromnetzen, bei der von Einsicht getriebenen Vermarktung von dezentralen Energieanlagen oder bei der Prognose von Last- und Erzeugungszeitreihen. Dabei erfordert die enge Verknüpfung von Energiesystemen und IKT-Infrastruktur in Smart Grids auch ein adaptives und autonomes „Immunsystem“, um mit Angriffen gegen die Infrastruktur und Ausfällen von Teilsystemen umgehen zu können. Durch verteilte Künstliche Intelligenz wird es möglich, die verteilten Komponenten eines CPES mit Intelligenz und Autonomie auszustatten und mit Verfahren der Selbstorganisation untereinander zu vernetzen. Inhaltlich geht es um Agenten im Smart Grid, Verteilte Lastplanung, Flexibilitätsmodellierung durch Dekoder/ Surrogatmodellierung, Combinatorial Optimization Heuristics for Distributed Agents, Deep Learning mit PyTorch, Reinforcement Learning und Q-Learning, Differentiable Neural Computing und Adversarial Resilience Learning

Exercises

2.01.515 - Intelligente Energiesysteme
- Jörg Bremer
- Dr.-Ing. Eric Veith
Wednesday: 08:15 - 09:45, weekly (from 12/04/23)
Thursday: 08:15 - 09:45, weekly (from 13/04/23)

Die Veranstaltung befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Die Integration von verteilt genutzten und dargebotsabhängigen Primärenergien stellt eine wesentliche Herausforderung der Energiewende dar. Mit der zunehmenden Digitalisierung wird aus den historisch gewachsenen Energieversorgungsstrukturen ein komplexes und dynamisches cyber-physisches Energiesystem (CPES), in dem tausende Komponenten miteinander interagieren. Moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens leisten dabei an vielen Stellen einen Beitrag: beispielsweise in der semi-automatischen Betriebsführung von Stromnetzen, bei der von Einsicht getriebenen Vermarktung von dezentralen Energieanlagen oder bei der Prognose von Last- und Erzeugungszeitreihen. Dabei erfordert die enge Verknüpfung von Energiesystemen und IKT-Infrastruktur in Smart Grids auch ein adaptives und autonomes „Immunsystem“, um mit Angriffen gegen die Infrastruktur und Ausfällen von Teilsystemen umgehen zu können. Durch verteilte Künstliche Intelligenz wird es möglich, die verteilten Komponenten eines CPES mit Intelligenz und Autonomie auszustatten und mit Verfahren der Selbstorganisation untereinander zu vernetzen. Inhaltlich geht es um Agenten im Smart Grid, Verteilte Lastplanung, Flexibilitätsmodellierung durch Dekoder/ Surrogatmodellierung, Combinatorial Optimization Heuristics for Distributed Agents, Deep Learning mit PyTorch, Reinforcement Learning und Q-Learning, Differentiable Neural Computing und Adversarial Resilience Learning

Hinweise zum Modul

Prerequisites	Programming knowledge in Python
Prüfungszeiten	At the end of the course
Module examination	oral exam
Skills to be acquired in this module	Das Modul befasst sich mit der Integration (verteilter) künstlicher Intelligenz in die zukünftige Steuerung des Energienetzes. Das Modul vermittelt moderne Techniken der künstlichen Intelligenz und des maschinellen Lernens als Beitrag beispielsweise in der semi-automatischen Betriebsführung von Stromnetzen, bei der von Einsicht getriebenen Vermarktung von dezentralen Energieanlagen oder bei der Prognose von Last- und Erzeugungszeitreihen Fachkompetenzen Die Studierenden kennen Methoden zur Modellierung der Flexibilität von Energieanlagen mittels maschinellem Lernen können Flexibilitätsmodelle implementieren kennen verschiedene Ansätze der Agenten-basierten Modellierung und Koordination im elektrischen Netz kennen Techniken des Adversarial Resilience Learning bewerten verschiedene Verfahren des Deep und Reinforcement Learning hinsichtlich ihrer Eigenschaften und Eignung in der verteilten Lastplanung charakterisieren Methoden maschinellen Lernens anhand ihrer Eigenschaften Methodenkompetenz Die Studierenden erzeugen systematisch zulässige Lösungen mittels Einsatz von Dekodertechnik wenden maschinelles Lernen in verteilten Algorithmen praktisch an Sozialkompetenz Die Studierenden wenden die Entwicklungsmethode des Pairprogrammings an diskutieren die getroffenen Design Entscheidungen präsentieren ihre Arbeitsergebnisse anderen Studierenden Selbstkompetenz Die Studierenden reflektieren den eigenen Umgang mit der begrenzten Ressource Energie nehmen Kritik an und verstehen sie als Vorschlag für die Weiterentwicklung des eigenen Handelns erkennen die gesellschaftspolitische Verantwortung beim Einsatz von Methoden der künstlichen Intelligenz

Top