Reinforcement Learning zur Optimierung von MicroGrids

Microgrids sind dezentrale Energienetze mit eigenen Energiequellen (z. B. Windkraftanlagen). Im hier beschriebenen Anwendungsfall soll der Betrieb des Wärmenetzes der Gemeinde Bosbüll unter ökonomischen und ökologischen Gesichtspunkten optimiert werden. Eine vorausschauende Optimierung reduziert unerwünschte Emissionen in Form von Erdgasnutzung und erhöht Erträge durch die Einspeisung überschüssigen Stroms.

Während mathematische Optimierungsmodelle weitestgehend deterministisch sind und Unsicherheiten von Prognosen nur schwer abbilden können, lernen Reinforcement-Learning-Modellen Unsicherheiten in zugrunde liegenden Prognosen im Laufe des Trainingsprozesses und berücksichtigen diese bei der Anwendung. 

Vorkenntnisse

Hilfreich, aber nicht erforderlich, sind grundsätzliche Kenntnisse im Bereich Machine Learning (Modell-Training und -Testing, Modell-Tuning, Inferenz).

Lernziele

• Die Besucher lernen die grundlegenden Prinzipien des Reinforcement Learnings und in speziellem der Proximal Policy Optimierung von RL-Modellen im Rahmen eines praktischen Anwendungsfall kennen.
  
• Darüber hinaus werden praktische Erfahrungen vermittelt, insbesondere Vor-/Nachteile und Herausforderungen bei der Anwendung von produktiv eingesetzten Reinforcement-Learning-Modellen.