In meiner Rolle als Senior Scientist für Maschinelles Lernen am Fraunhofer IEE und als Leiter der vom BMBF geförderten Nachwuchsgruppe RL4CES an der Universität Kassel konzentriere ich mich darauf, Maschinelles Lernen zur Optimierung von Prozessen im Energiesektor nutzbar zu machen. Meine akademische Laufbahn – ein Informatikstudium mit Schwerpunkt auf theoretischer Informatik sowie eine Promotion im Bereich Maschinelles Lernen – bildet die Basis für meine Spezialisierung auf fortschrittliche Lernmethoden wie Self-Supervised Learning, Few-Shot Learning und Reinforcement Learning.

Als Leiter der Nachwuchsgruppe RL4CES erforsche ich den Einsatz von Deep Reinforcement Learning (DRL) zur Optimierung komplexer Entscheidungsprozesse in der Energiewirtschaft. Unser Ziel ist es, intelligente Algorithmen zu entwickeln, die sich eigenständig an neue Situationen anpassen und dadurch die Netzsteuerung sowie den Energiehandel effizienter, sicherer und kostengünstiger gestalten.

Klassische Optimierungsverfahren stoßen angesichts der wachsenden Komplexität des Energiesystems an ihre Grenzen, da sie oft nicht in Echtzeit anwendbar sind. Bestehende regelbasierte Systeme reagieren nur eingeschränkt auf unerwartete Veränderungen. DRL hingegen ermöglicht es, dynamische und adaptive Lösungen zu schaffen, die die Stabilität der Stromnetze verbessern und den Intraday-Energiehandel optimieren können.

Durch enge Zusammenarbeit mit Unternehmen der Energiewirtschaft sorgen wir für eine praxisnahe Umsetzung unserer Forschungsergebnisse. Dabei legen wir besonderen Wert auf erklärbare KI-Methoden, um das Vertrauen in automatisierte Entscheidungsprozesse zu stärken und eine breite industrielle Anwendung zu ermöglichen. Mit RL4CES tragen wir aktiv dazu bei, die Energiewende durch innovative KI-Technologien voranzutreiben.

Durch die zunehmende Komplexität des Energiesystems setzt man vermehrt Deep Learning Modelle zu dessen Steuerung und Überwachung ein. Doch was, wenn Krisen, Starkwetterereignisse oder politische Entscheidungen die Dynamik des Energiesystems z.B. durch stark steigende oder fallende Preise nachhaltig beeinflussen? Herkömmliche Deep Learning Modelle müssen dann auf Grundlage der neuen Daten höchst aufwendig neu trainiert werden. Was, wenn man stattdessen das bereits Gelernte auf die neue Situation anwenden könnte? Dieser Transfer von einem Problem hin zu einem anderen, aber ähnlichen, ist die Grundidee von den Forschungsgebieten des Transfer- und Meta-Learnings, die ich in meiner Promotion am Anwendungsfall des Energiehandels eingehend untersuche. Neben diesem stark anwendungsgetriebenen Blickwinkel möchte ich dabei meine mathematische Expertise nutzen, um saubere theoretische Grundlagen für zukünftige Forschung in diesem Gebiet zu schaffen.

Ich habe Mathematik mit den Schwerpunkten Stochastik, Statistik und Optimierung an der Technischen Universität Dresden studiert und meinen Fokus später - insbesondere während meiner Auslandssemester in Dublin (Irland) und Göteborg (Schweden) - auf Machine Learning gelegt. Seit meiner Masterarbeit (2021) bin ich nun hier am Fraunhofer Institut IEE in Kassel. Seitdem entwickle ich Deep Reinforcement Learning Agenten für den kurzfristigen Energiehandel.

Interessensgebiete: Deep Reinforcement Learning, Transfer- und Meta-Learning, Energiehandel, Mathematische Grundlagen im Reinforcement Learning

Ich bin wissenschaftlicher Mitarbeiter am Fraunhofer IEE. Im Jahr 2022 bin der RL4CES-Gruppe des Fachgebiets für Intelligente Eingebettete Systeme an der Universität Kassel beigetreten. Mein Forschungsziel ist es, die Autonomie von Energiesystemen voranzutreiben, insbesondere durch die Integration von neuronalen Netzen in den Bereichen Netzsteuerung und Stromhandel. Daher verfasse ich zu diesen Themen derzeit meine Doktorarbeit mit einem besonderen Fokus auf die Anwendung von Deep Reinforcement Learning. Was die zugrundeliegenden Methoden betrifft, befasse ich mich hauptsächlich mit der Anwendung von Deep Reinforcement Learning, verwende aber auch überwachte Modelle und Deep-Learning-Modelle, um ein ausreichendes Training zu gewährleisten.

Interessensgebiete: Deep Reinforcement Learning, Netzsteuerung, Stromhandel, Maschinelles Lernen, Graph Neural Networks, Zeitreihen

Ich arbeite seit 2022 am Fraunhofer IEE und promoviere zum Thema Graph Neural Networks an der Universität Kassel. Meinen Bachelor und Master habe ich in Angewandter Informatik an der Universität Göttingen absolviert, wo ich mich bereits auf das Thema Machine Learning spezialisiert habe. In meiner Promotion beschäftige ich mich mit der Entwicklung von Graphen Neuronaler Netze, die dabei helfen, Stromnetze effizienter zu betreiben und die Integration erneuerbarer Energien zu verbessern. Die Modellierung von Stromnetzen als Graphen bietet die Möglichkeit, Beziehungen und Wechselwirkungen zwischen Netzkomponenten abzubilden. Im Gegensatz zu herkömmlichen neuronalen Netzen können Graph Neural Networks diese Struktur direkt nutzen, um daraus komplexe Zusammenhänge zu erlernen. Ich halte sie daher für eine besonders vielversprechende Methode zur Optimierung von Stromnetzen.

Ich bin Doktorand und wissenschaftlicher Mitarbeiter am Fraunhofer IEE und der Universität Kassel und seit 2023 Teil des RL4CES Teams. Meinen Bachelor und Master habe ich in Angewandter Informatik an der Universität Göttingen absolviert, wobei ich mich auf erklärbare und interpretierbare maschinelle Lernmodelle spezialisiert habe.

In meiner Forschung beschäftige ich mich mit der Anwendung von Deep Reinforcement Learning (DRL) zur Steuerung von Übertragungsnetzen. Ein zentraler Aspekt dabei ist der Umgang mit großen Aktionsräumen bei der Optimierung von Stromnetzen. Hierzu entwickle ich Methoden zur Reduktion der Aktionsmenge mittels evolutionärer Algorithmen sowie zur Repräsentation von Aktionsräumen. Darüber hinaus untersuche ich die Integration von Graph Neural Networks (GNNs) in DRL-Modelle, um die netztopologische Struktur direkt in den Entscheidungsprozess einzubeziehen und dadurch robustere und effizientere Steuerungsstrategien zu ermöglichen.

Ein weiterer Fokus meiner Arbeit liegt auf der Transparenz und Erklärbarkeit von DRL-Modellen für den Netzbetrieb. Da klassische DRL-Agenten oft als Black-Box-Modelle agieren, entwickle ich Methoden, um ihre Entscheidungsprozesse nachvollziehbarer zu gestalten. Dies soll das Vertrauen von Netzbetreibern und Entscheidungsträgern in den Einsatz KI-gestützter Steuerungssysteme erhöhen und deren praktische Anwendbarkeit verbessern.

Interessensgebiete: Deep Reinforcement Learning, Graph Neural Networks, Explainable AI, Netzsteuerung, Erneuerbare Energien

Zurzeit bin ich Doktorand an der Universität Kassel und am Fraunhofer IEE und beschäftige mich als Teil des RL4CES-Teams mit dem Thema Vertrauenswürdige Künstliche Intelligenz. Ich habe einen Master in Mathematik von der Universität Augsburg und habe mich während meines Studiums insbesondere auf die Bereiche Statistik, Wahrscheinlichkeitstheorie und Optimierung spezialisiert. Seit 2020 beschäftige ich mich als wissenschaftlicher Mitarbeiter am Fraunhofer IEE mit dem Einsatz von maschinellem Lernen in Energiesystemen. Mein Forschungsschwerpunkt liegt auf der Verbesserung der Angriffssicherheit und Interpretierbarkeit von Deep Reinforcement Learning (DRL) Algorithmen zur Steuerung von Stromnetzen.

Herkömmliche DRL-Agenten zur Netzsteuerung basieren auf hochkomplexen Black-Box-Modellen, deren Aktionen und Prozesse für den Menschen undurchsichtig und kaum nachvollziehbar sind. Dies erschwert die Überwachung der Systeme und eröffnet neue Möglichkeiten für Cyber-Angriffe. Im schlimmsten Fall kann ein Angreifer einen DRL-Agenten so manipulieren, dass seine Aktionen zu einem Blackout führen. Um dieses Problem anzugehen, entwickle ich interpretierbare DRL-Agenten für den Netzbetrieb und untersuche deren Robustheit gegenüber Angriffen. Außerdem untersuche ich verschiedene Verteidigungsstrategien, um DRL-Agenten vor feindlichen Angriffen zu schützen.

Interessensgebiete: Deep Learning, Reinforcement Learning, Explainable AI, Adversarial Machine Learning, Erneuerbare Energien

Ich bin Doktorand an der Uni Kassel und seit 11/2024 ein Teil des RL4CES Team. Meinen Bachelor und Master habe ich an der Universität Bayreuth in Mathematik absolviert, mit einem Fokus auf Algebra und statistische Lerntheorie. Dies legte den Grundstein für das theoretische Verständnis von maschinellem Lernen. In meiner Forschung beschäftige ich mich mit der Anwendung von Deep Reinforcement Learning (DRL), um Planungen in Netzen zu beschreiben, insbesondere Stromnetzen: Wo könnte die Stromversorgung gefährdet werden und wie können wir dies vorausschauend verhindern? Hierzu erforsche ich Modelle, welche sich durch ein hohes strategisches und vorausschauenden Denkens auszeichnen und bringe diese in die Anwendung auf Stromnetze. Das Ziel meiner Forschung sind DRL-Algorithmen, welche die Probleme im Netzbetrieb realistisch einschätzen können und darauf mit gezielten und verständlichen Maßnahmen reagieren können. Um die Vorhersagen verständlich und benutzerfreundlich zu gestalten, erkläre ich die Vorhersage des DRL-Algorithmus mit einem simpleren und verständlicheren Algorithmus, und nutze somit sog. Model-Destillation Modelle.

Interessengebiete: Deep Reinforcement Learning, Graph Neural Networks, Explainable AI, Netzsteuerung, Mathematische Grundlagen im Reinforcement Learning, Model-Destillation