Startseite » Stud. Arbeiten » Deep Reinforcement Learning und mathematische Optimierung zur Steuerung industrieller Energiesysteme

Deep Reinforcement Learning und mathematische Optimierung zur Steuerung industrieller Energiesysteme

Aufgabenstellung

Unternehmen der industriellen Fertigung befinden sich in einem Spannungsfeld, das zunehmend durch verschärfende Entwicklungen der Produktionsbedingungen wie etwa steigende Energiekosten, knapper werdende Ressourcen und der Forderungen nach gesellschaftlicher Verantwortung beschrieben wird. Smarte Fabriken müssen mit Last- und Bedarfsprognosen auf schwankende Strompreise reagieren und eine bedarfsgerechte Versorgung durch Energieversorgungsanlagen sicherstellen.

Um die Deckung von Energiebedarfen möglichst kosten- und energieeffizient zu gestalten, gibt es verschiedene Möglichkeiten, Versorgungssysteme zu steuern. Neben der Steuerung durch modellprädiktive Ansätze mittels gemischt-ganzzahliger linearer Optimierung (MILP), gibt es datenbasierte Ansätze durch neue Methoden des maschinellen Lernens, speziell das Deep Reinforcement Learning (DRL). Ein Framework mit dem beide Ansätze erprobt werden können besteht bereits an der ETA-Fabrik. Sowohl MILP als auch DRL besitzen individuelle Vor- und Nachteile bei der Steuerung komplexer industrieller Energieversorgungssysteme. Eine Kombination der Ansätze als integrierter Agent zur Nutzung der jeweiligen Vorteile steht jedoch noch aus.

Das Ziel der Arbeit ist es, die beiden bestehenden Ansätze (DRL & MILP) zu einem neuen Algorithmus zu integrieren und als Agent für einen konkreten Anwendungsfall an einer Simulation mit den beiden alleinstehenden Ansätzen zu vergleichen

Schwerpunkte

Die Aufgabenstellung lässt sich in folgende Arbeitspakete unterteilen:

  • Literaturrecherche zum Stand der Technik von DRL und MILP zur Steuerung industrieller Energieversorgungssysteme,
  • Literaturrecherche und Analyse von bestehenden Ansätzen zur Integration von DRL und MILP,
  • Entwicklung eines Ansatzes zur Kombination aus DRL und MILP zur Steuerung industrieller Energiesysteme,
  • Implementierung des Ansatzes als Agenten in das Optimierungsframework der ETA-Fabrik bezogen auf einen konkreten Anwendungsfall,
  • Benchmark des Ansatzes gegenüber DRL und MILP sowie einer klassischen Steuerung.

Notwendige Vorkenntnisse

Kontakt

Teile diese Ausschreibung

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on print
Share on email