De seneste betydelige fremskridt inden for maskinlæringsteknikker har åbnet op for nye muligheder inden for energisystemapplikationer. Dette gør det muligt at tackle komplekse beslutningstagning- og risikoanalyseproblemer samt at drive og kontrollere individuelle anlæg eller et system af anlæg effektivt i realtid. Dette kursus har primært fokus på at forklare logikken bag anvendelsen af maskinlæringsmetoder inden for energisystemapplikationer. Der vil blive præsenteret en række nøgleeksempler set fra både individuelle interessenters og en systemoperatørs synspunkt. Kurset giver de studerende færdigheder til at forberede data, identificere og implementere relevante maskinlæringsmetoder til forskellige energisystemapplikationer samt analysere deres præstation. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Diskutere centrale begreber og modeller inden for maskinlæring til energisystemapplikationer
• Diskuter centrale machine learning-koncepter og teknikker til anvendelse inden for energisystemer.
• Forstå forskellen mellem forskellige machine learning-modeller
• Fortolk, hvordan machine learning-modeller kan hjælpe med at løse komplekse problemer inden for energisystemer.
• Udvikle maskinlæringsmodeller fra både individuelle interessenters og systemoperatørens perspektiv
• Anvend effektive teknikker til at forberede relevant data
• Anvende Python-programmeringssproget til databehandling og implementering af maskinlæringsmodeller samt identificere potentielle muligheder og udfordringer
• Analysere resultaterne og evaluere effektiviteten af de anvendte maskinlæringsmetoder

For det første giver kurset en oversigt over relevante maskinlæringsmetoder og energisystemapplikationer, set fra både en systemoperatørs og enkeltpersoners perspektiv, med fokus på aktivernes fysik. Anvendelserne omfatter problemløsning i både fremadrettede stadier (f.eks. day-ahead-stadien) og i realtid. Herefter identificerer vi relevante maskinlæringsmetoder til disse energisystemapplikationer.

For det andet fokuserer vi på interessentens perspektiv. Vi dækker eksempler, herunder (i) handel med vedvarende energi på elmarkeder i fremadrettede faser, (ii) vindprognoser i fremadrettede faser ved hjælp af klassiske og værdiorienterede læringsmetoder, og til sidst (iii) realtidsstyring af aktiver såsom batterilagre eller en aggregator af distribuerede energiressourcer.
For det tredje fokuserer vi på en systemoperatørs perspektiv. Vi dækker eksempler, herunder optimal planlægning og risikoanalyse for hele systemet i fremadrettede faser.

For alle applikationer vil vi præsentere relevante metoder, implementere dem i et casestudie og analysere resultaterne. 04. juli, 2023