Wissenschaftliche Nachwuchsgruppe will Reinforcement Learning in der Energiewirtschaft vorantreiben
Seit einigen Jahren steigt der Anteil an Erneuerbaren Energien im gesamten europäischen Stromnetz deutlich an, was zur Mehrbelastung in allen Bereichen der Energiewirtschaft führt. Das Management der Aufgaben kann nicht mehr nur durch menschliche Expertise durchgeführt werden und so wird die Gefahr von vorübergehenden lokalen oder flächendeckenden Stromausfällen realer. Intelligente, automatisierte Lösungen müssen als Antwort auf die zunehmende Komplexität entwickelt werden. Die Nachwuchsgruppe „RL4CES - Reinforcement Learning for Cognitive Energy Systems” des Fraunhofer-Instituts für Energiewirtschaft und Energiesystemtechnik IEE und der Universität Kassel stellt sich nun dieser Aufgabe.
Das aus dem Kompetenzzentrum Kognitive Energiesysteme des Fraunhofer IEE hervorgegangene Nachwuchsteam um Dr. Christoph Scholz verfolgt das Ziel, das Potenzial von Deep Reinforcement Learning im Energiesystem zu entfalten und sicherer, effektiver und kostengünstiger für die Energiewirtschaft zu machen. „In den letzten Jahren ist die Entwicklung des Forschungsfeldes Deep Reinforcement Learning stark vorangeschritten. Jedoch bleiben im Kontext der betrachteten Anwendungsfälle noch zentrale Fragen offen, die in RL4CES genauer untersucht werden sollen“, erklärt Nachwuchsgruppenleiter Dr. Christoph Scholz vom Fraunhofer IEE, „Die von uns entwickelten Lösungen werden anschließend in die Anwendung integriert.“
Der Fokus des Nachwuchsteams wird dabei auf den zwei Anwendungsfällen automatisierte Netzsteuerung und automatisierter Energiehandel liegen, während die aus dem Kompetenzzentrum des Fraunhofer IEE hervorgegangene IT-Infrastruktur, Simulationsumgebung und KI-Expertise als Grundlage für die hochspezialisierte weiterführende Forschung dient.
Innerhalb der Nachwuchsgruppe spielt die Zusammenarbeit zwischen dem Fraunhofer IEE und der Universität Kassel eine zentrale Rolle. Das Fachgebiet Intelligente Eingebettete Systeme (IES) der Universität Kassel beschäftigt sich mit Grundlagen- und Anwendungsforschung im Bereich der künstlichen Intelligenz, speziell des Deep Learnings. Neben Anwendungsgebieten etwa aus den Bereichen Verkehr und Materialwissenschaften wurden weitere Use-Cases im Bereich der regenerativen Energien und zukünftigen Energiesysteme realisiert.
„Am Fachgebiet IES können die theoretischen Grundlagen für Probleme innerhalb der Energiewirtschaft zielgerichtet entwickelt werden“, sagt Prof. Bernhard Sick, Leiter des Fachgebiets an der Universität Kassel. Dadurch soll eine Durchgängigkeit von der Grundlagenforschung hin zu der anwendungsorientierten Verwertung und dem Einsatz von Reinforcement Learning in der Energiewirtschaft gewährleistet werden. So wird nicht nur ermöglicht, dass Forschung und Anwendung innerhalb des Projektes Hand in Hand gehen, sondern auch eine neue Generation von Expertinnen und Experten betreut und gefördert, deren persönliche und wissenschaftliche Weiterentwicklung im Rahmen der angestrebten Promotionen von Kompetenzen und Mentoring des Franhofer IEE sowie dem Bereich IES der Universität Kassel profitieren.
Hintergrund Deep Reinforcement Learning
Beim Deep Reinforcement Learning (DRL) handelt es sich um eine Klasse von selbständigen Lernern (künstlichen Intelligenzen), bei der autonome neuronale Netze eigenständig Lösungsmöglichkeiten finden und ausprobieren. Die so erlernten Strategien müssen nicht zwangsläufig durch Experten überwacht oder eingegrenzt werden. Sie sind im Gegensatz zu klassischen Optimierungsverfahren nach dem Training sehr entscheidungsschnell und zusätzlich in der Lage mit der anwachsenden Komplexität dynamischer Systeme wie dem Energienetz umzugehen, durch die klassische Optimierungs- und regelbasierte Verfahren allmählich an ihre Grenzen stoßen.
Wissenschaftlicher Ansprechpartner:
Fachansprechpartner:
Dr. Christoph Scholz, Fraunhofer IEE
Prof. Bernhard Sick, Fachgebietsleiter Intelligente Eingebettete Systeme (IES), Universität Kassel
Weitere Informationen:
https://s.fhg.de/98h
Die semantisch ähnlichsten Pressemitteilungen im idw
![](https://files.idw-online.de/loading.gif)