Menü
Startseite » Stud. Arbeiten » Modellbasiertes Reinforcement Learning (Künstliche Intelligenz) zur Betriebsstrategieoptimierung von industrieller Energienetze

Modellbasiertes Reinforcement Learning (Künstliche Intelligenz) zur Betriebsstrategieoptimierung von industrieller Energienetze

Aufgabenstellung

Mittels leistungsfähiger Deep Reinforcement Learning (RL) Algorithmen lassen sich heutzutage komplexe Multiple-Input-Multiple-Output Regelstrecken unter Unsicherheit (Beispiel selbstfahrende Automobile, lernende Roboter) beherrschen. In der Industrie und insbesondere in der thermisch vernetzten ETA-Fabrik am Campus Lichtwiese müssen mittels Ansteuerung unterschiedlicher Versorgungsanlagen (z.B. BHKWs, Wärmepumpe, Rückkühler, u.v.w.) die stabile und möglichst effiziente Versorgung der Produktionsanlagen realisiert werden. Probabilistische Einflussgrößen wie Wetter, Energiemärkte oder Produktionsparameter erschweren es, eine optimierte Betriebsstrategie zu identifizieren. Selbstlernende Algorithmen ermöglichen es, die Betriebsstrategie mit kontinuierlich erfassten Daten aus der Systemumgebung sukzessive zu verbessern.

Im Rahmen dieser Arbeit soll ein modell-basierter RL-Algorithmus (z.B. PlaNet, https://ai.googleblog.com/2019/02/introducing-planet-deep-planning.html) aufgesetzt und für die Betriebsoptimierung Industrieller Energienetze untersucht werden. Dafür wird ein Modell der Dynamik des Energiesystems erlernt und ein Planungsalgorithmus zur Berechnung der optimalen Trajektorien verwendet.

Schwerpunkte

Das Arbeitspaket umfasst folgende Punkte

  • Literaturrecherche zu Deep Learning / Neuronale Netze & Deep Reinforcement Learning Algorithmen
  • Entwicklung eines modellbasierten RL-Algorithmus (in Python mit der Google TensorFlow Library)
  • Integration des Algorithmus in ein bestehendes KI-Framework für Energiesysteme der ETA-Fabrik
  • Anlernen, Validierung und Tuning der KI Hyperparameter anhand bestehender Simulationsmodelle

Notwendige Vorkenntnisse

Kontakt

Teile diese Ausschreibung

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