Wir, die Nachwuchsgruppe RL4CES – Reinforcement Learning for Cognitive Energy Systems, wollen das Potenzial von Deep Reinforcement Learning im Kontext des Energiesystems entfalten.

Durch unsere Forschung wollen wir Deep Reinforcement Learning sicherer, effektiver und kostengünstiger für die Energiewirtschaft machen und so einen signifikanten Beitrag zu einem stabilen und resilienten Energiesystem leisten.

Der Fokus unserer Anwendung liegt dabei auf den Themen der automatisierten Netzsteuerung und des automatisierten Energiehandels.

Mit dem Anteil erneuerbarer Energien im europäischen Energienetz steigt auch dessen Komplexität deutlich an.

Unvorhersehbare Wetterschwankungen übertragen sich durch Wind- oder Solarenergie direkt in das Stromnetz und so reicht menschliche Expertise allein nicht mehr aus, um die immer komplexeren Aufgaben der Energiewirtschaft zu bewältigen.

Intelligente, automatisierte Lösungen müssen entwickelt werden, um der realen Gefahr von lokalen oder sogar flächendeckenden Stromausfällen vorzubeugen.

Deep Reinforcement Learning hat in den letzten Jahren einige vielversprechende Resultate in Bereichen wie (Beispiele mit Quellen) erzielt. Es eignet sich hervorragend zum Einsatz in komplexen, dynamischen Systemen wie dem Energiesystem, bringt aber – wie jede Form des maschinellen Lernens – für jedes Anwendungsfeld eigene Herausforderungen mit sich.

Diesen Herausforderungen stellen wir uns durch wissenschaftlich fundierte, anwendungsorientierte Forschung.

Wir sind eine gemeinsame Nachwuchsgruppe des Fraunhofer-Instituts für Energiewirtschaft (IEE) und des Fachgebiets Intelligente Eingebettete Systeme (IES) der Universität Kassel.

Das Fachgebiet IES beschäftigt sich mit der Grundlagen- und Anwendungsforschung intelligenter technischer Systeme mit aktuellen Schwerpunkten in der Analyse von Zeitreihendaten und dem Active Learning. Neben Anwendungsgebieten, wie z.B. aus Verkehr und Materialwissenschaften, wurden hier Use Cases im Bereich der regenerativen Energien und zukünftigen Energiesysteme realisiert.
Überdies werden in der Nachwuchsgruppe GAIN in einer weiteren Kooperation mit dem Fraunhofer IEE Fragestellungen rund um das Thema Graph Neural Networks untersucht.
Im Falle der Energiesysteme arbeitet das Fachgebiet IES aktuell in den Projekten TRANSFER, Digital Twin Solar, SyLasKI und SALM mit, in denen es z.B. um Transfer Learning für Wind- und PV-Prognosen (Transfer), Anomalie-Erkennung, Active Learning sowie probabilistische Modelle in Digitalen Zwillingen von Photovoltaik-Anlagen (Digital Twin Solar) geht.

Am Fachgebiet IES können die theoretischen Grundlagen für Probleme innerhalb der Energiewirtschaft zielgerichtet entwickelt werden, während die IT-Infrastruktur, Simulationsumgebung und DRL-Expertise des Fraunhofer IEE als Grundlage für die hochspezialisierte weiterführende Forschung dient.
Durch diese enge Zusammenarbeit zwischen IEE und IES 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 Fraunhofer IEE sowie dem Bereich IES der Universität Kassel profitieren.