Stage-oe-small.jpg

Vortrag Graduiertenkolloquium5: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
(Die Seite wurde neu angelegt: „{{Veranstaltung |Titel DE=Vortrag Graduiertenkolloquium |Titel EN=Vortrag Graduiertenkolloquium |Beschreibung DE=folgt |Beschreibung EN=folgt |Veranstaltungsar…“)
 
 
(3 dazwischenliegende Versionen von einem anderen Benutzer werden nicht angezeigt)
Zeile 1: Zeile 1:
 
{{Veranstaltung
 
{{Veranstaltung
|Titel DE=Vortrag Graduiertenkolloquium
+
|Titel DE=Modellierung und Kommunikation von Flexibilität in Smart Grids mittels Ersatzmodellen auf Basis Künstlicher Neuronaler Netze
|Titel EN=Vortrag Graduiertenkolloquium
+
|Titel EN=Modellierung und Kommunikation von Flexibilität in Smart Grids mittels Ersatzmodellen auf Basis Künstlicher Neuronaler Netze
|Beschreibung DE=folgt
+
|Beschreibung DE=Die mit der Energiewende einhergehende Verlagerung von fossilen Energieträgern hin zu erneuerbaren, aber häufig nur fluktuierend verfügbaren Energiequellen stellt das Paradigma „Erzeugung folgt Verbrauch“ zu einem gewissen Grad in Frage. Um mögliche Schwankungen der Versorgung auszugleichen, müssen auch Stromverbraucher und -speicher einen Beitrag leisten und bei Bedarf flexibel auf die lokalen Erfordernisse reagieren, indem sie ihre bezogene oder bereitgestellte Leistung anpassen. Diese Flexibilität kann mit Hilfe verschiedener Mechanismen nutzbar gemacht wer-den, welche sich nicht nur konzeptionell, sondern auch im Hinblick auf die dafür notwendige Kommunikation stark unterscheiden. Dafür müssen mal mehr, mal weniger abstrakte Modelle für die beeinflussten oder direkt gesteuerten Anlagen vorliegen. Außenstehende, wie beispielsweise Verteilnetzbetreiber, können aufgrund mangelnder Information nur sehr eingeschränkt die dafür not-wendigen Modelle erzeugen. Um die tatsächlich verfügbare Flexibilität möglichst genau beschreiben zu können, ist folglich eine Modellbildung auf Seiten des Anlagenbetreibers wünschenswert. Das Training von Ersatzmodellen mittels maschineller Lernverfahren ist ein möglicher Ansatz, die Modellbildung zu automatisieren und eine einheitliche und möglichst generische Beschreibung der Flexibilität von Anlagen zu schaffen.
|Beschreibung EN=folgt
+
Das zentrale Ziel der vorgestellten Arbeit ist die Beantwortung der Frage, wie gut Ersatzmodelle zur Beschreibung von Flexibilität genutzt werden können. Aufgrund ihrer Fähigkeit, die verschiedensten Beziehungen zwischen Eingaben und Ausgaben abzubilden, sowie der damit einhergehenden Flexibilität in der Anwendung, wurden hierzu Künstliche Neuronale Netze gewählt. Im ersten Teil des Vortrags wird eine Klassifikation der bisher üblichen Modellierungsansätze für flexible Erzeuger, Speicher und Verbraucher vorgestellt. Daraus lassen sich mögliche Ersatzmodelle ableiten, die im weiteren kurz umrissen werden. Abschließend wird ein ausgewählter, durch Markovsche Entscheidungsprozesse inspirierter Ansatz mitsamt einer experimentellen Evaluation detailliert beleuchtet.
 +
|Beschreibung EN=Die mit der Energiewende einhergehende Verlagerung von fossilen Energieträgern hin zu erneuerbaren, aber häufig nur fluktuierend verfügbaren Energiequellen stellt das Paradigma „Erzeugung folgt Verbrauch“ zu einem gewissen Grad in Frage. Um mögliche Schwankungen der Versorgung auszugleichen, müssen auch Stromverbraucher und -speicher einen Beitrag leisten und bei Bedarf flexibel auf die lokalen Erfordernisse reagieren, indem sie ihre bezogene oder bereitgestellte Leistung anpassen. Diese Flexibilität kann mit Hilfe verschiedener Mechanismen nutzbar gemacht wer-den, welche sich nicht nur konzeptionell, sondern auch im Hinblick auf die dafür notwendige Kommunikation stark unterscheiden. Dafür müssen mal mehr, mal weniger abstrakte Modelle für die beeinflussten oder direkt gesteuerten Anlagen vorliegen. Außenstehende, wie beispielsweise Verteilnetzbetreiber, können aufgrund mangelnder Information nur sehr eingeschränkt die dafür not-wendigen Modelle erzeugen. Um die tatsächlich verfügbare Flexibilität möglichst genau beschreiben zu können, ist folglich eine Modellbildung auf Seiten des Anlagenbetreibers wünschenswert. Das Training von Ersatzmodellen mittels maschineller Lernverfahren ist ein möglicher Ansatz, die Modellbildung zu automatisieren und eine einheitliche und möglichst generische Beschreibung der Flexibilität von Anlagen zu schaffen.
 +
Das zentrale Ziel der vorgestellten Arbeit ist die Beantwortung der Frage, wie gut Ersatzmodelle zur Beschreibung von Flexibilität genutzt werden können. Aufgrund ihrer Fähigkeit, die verschiedensten Beziehungen zwischen Eingaben und Ausgaben abzubilden, sowie der damit einhergehenden Flexibilität in der Anwendung, wurden hierzu Künstliche Neuronale Netze gewählt. Im ersten Teil des Vortrags wird eine Klassifikation der bisher üblichen Modellierungsansätze für flexible Erzeuger, Speicher und Verbraucher vorgestellt. Daraus lassen sich mögliche Ersatzmodelle ableiten, die im weiteren kurz umrissen werden. Abschließend wird ein ausgewählter, durch Markovsche Entscheidungsprozesse inspirierter Ansatz mitsamt einer experimentellen Evaluation detailliert beleuchtet.
 
|Veranstaltungsart=Graduiertenkolloquium
 
|Veranstaltungsart=Graduiertenkolloquium
 
|Start=2020/10/14 15:45:00
 
|Start=2020/10/14 15:45:00
 
|Ende=2020/10/14 17:15:00
 
|Ende=2020/10/14 17:15:00
 
|Gebäude=05.20
 
|Gebäude=05.20
 +
|Raum=Onlineveranstaltung
 
|Vortragender=Kevin Förderer
 
|Vortragender=Kevin Förderer
|Forschungsgruppe=Critical Information Infrastructures
+
|PDF=Förderer 14-10-2020.pdf
 +
|Forschungsgruppe=Effiziente Algorithmen
 
|In News anzeigen=Ja
 
|In News anzeigen=Ja
 
}}
 
}}

Aktuelle Version vom 24. September 2020, 07:38 Uhr

Modellierung und Kommunikation von Flexibilität in Smart Grids mittels Ersatzmodellen auf Basis Künstlicher Neuronaler Netze

Veranstaltungsart:
Graduiertenkolloquium




Die mit der Energiewende einhergehende Verlagerung von fossilen Energieträgern hin zu erneuerbaren, aber häufig nur fluktuierend verfügbaren Energiequellen stellt das Paradigma „Erzeugung folgt Verbrauch“ zu einem gewissen Grad in Frage. Um mögliche Schwankungen der Versorgung auszugleichen, müssen auch Stromverbraucher und -speicher einen Beitrag leisten und bei Bedarf flexibel auf die lokalen Erfordernisse reagieren, indem sie ihre bezogene oder bereitgestellte Leistung anpassen. Diese Flexibilität kann mit Hilfe verschiedener Mechanismen nutzbar gemacht wer-den, welche sich nicht nur konzeptionell, sondern auch im Hinblick auf die dafür notwendige Kommunikation stark unterscheiden. Dafür müssen mal mehr, mal weniger abstrakte Modelle für die beeinflussten oder direkt gesteuerten Anlagen vorliegen. Außenstehende, wie beispielsweise Verteilnetzbetreiber, können aufgrund mangelnder Information nur sehr eingeschränkt die dafür not-wendigen Modelle erzeugen. Um die tatsächlich verfügbare Flexibilität möglichst genau beschreiben zu können, ist folglich eine Modellbildung auf Seiten des Anlagenbetreibers wünschenswert. Das Training von Ersatzmodellen mittels maschineller Lernverfahren ist ein möglicher Ansatz, die Modellbildung zu automatisieren und eine einheitliche und möglichst generische Beschreibung der Flexibilität von Anlagen zu schaffen. Das zentrale Ziel der vorgestellten Arbeit ist die Beantwortung der Frage, wie gut Ersatzmodelle zur Beschreibung von Flexibilität genutzt werden können. Aufgrund ihrer Fähigkeit, die verschiedensten Beziehungen zwischen Eingaben und Ausgaben abzubilden, sowie der damit einhergehenden Flexibilität in der Anwendung, wurden hierzu Künstliche Neuronale Netze gewählt. Im ersten Teil des Vortrags wird eine Klassifikation der bisher üblichen Modellierungsansätze für flexible Erzeuger, Speicher und Verbraucher vorgestellt. Daraus lassen sich mögliche Ersatzmodelle ableiten, die im weiteren kurz umrissen werden. Abschließend wird ein ausgewählter, durch Markovsche Entscheidungsprozesse inspirierter Ansatz mitsamt einer experimentellen Evaluation detailliert beleuchtet.

(Kevin Förderer)




Start: 14. Oktober 2020 um 15:45
Ende: 14. Oktober 2020 um 17:15


Im Gebäude 05.20, Raum: Onlineveranstaltung

Veranstaltung vormerken: (iCal)


Veranstalter: Forschungsgruppe(n) Effiziente Algorithmen
Information: Media:Förderer 14-10-2020.pdf