Overordnede kursusmål
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.
Læringsmål
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
- Anvend matematiske værktøjer og algoritmer relateret til
maskinlæringsmetoder til energisystemapplikationer
- Fortolk, hvordan machine learning-modeller kan hjælpe med at
løse komplekse problemer inden for energisystemer.
- Udvikle maskinlæringsmodeller fra både individuelle
interessenters og systemoperatørens perspektiv
- Anvende Python-programmeringssproget til databehandling og
implementering af maskinlæringsmodeller samt identificere
potentielle muligheder og udfordringer
- Analysere resultaterne og evaluere effektiviteten af de
anvendte maskinlæringsmetoder
- Effektivt præsentere og diskutere resultater fra opgaver
skriftligt
Kursusindhold
Kursusindholdet er struktureret i tre dele, hvoraf hver afsluttes
med en opgave.
1. Kurset giver et overordnet billede, dvs. en oversigt over
relevante maskinlæringsmetoder og relevante
energisystemapplikationer set fra både et systemoperatør- og
individperspektiv, idet fysikken af aktiver tages i betragtning.
Applikationerne omfatter problemer, der skal løses på et
fremadrettet stadie (f.eks. på et dag-forud-stadie) eller i
realtid. Derefter mapper vi disse energisystemapplikationer til
relevante maskinlæringsmetoder. Først tager vi interessentens
perspektiv. De eksempler, der skal dækkes, er (i) handel med
vedvarende energi på elmarkeder på et fremadrettet stadie, (ii)
forudsigelse af vindressourcer på et fremadrettet stadie via
klassiske og værdiorienterede læringsmetoder.
2. Vi fortsætter stadig fra interessentens perspektiv. De
eksempler, der skal dækkes, er realtidsovervågning af en aktivpost,
f.eks. et batterilager eller en sammensætter af distribuerede
energiressourcer på kontinuerlige elmarkeder.
3. Vi tager systemoperatørens perspektiv. De eksempler, der skal
dækkes, er optimal planlægning på dag-forud-basis og
risikovurdering af hele systemet.
For alle tre dele vil vi levere relevante metoder, implementere dem
i en case-studie og analysere resultaterne.
Sidst opdateret
02. maj, 2025
