Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher?

Größe: px
Ab Seite anzeigen:

Download "Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher?"

Transkript

1 Janosch Henze Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher? mit Unterstützung vom Fachgebiet Intelligente Eingebettete Systeme Universität Kassel Elektrotechnik / Informatik 07. August 2018 Bernhard Sick

2 Organisation Who we are. Head Staff 1 postdoctoral research fellow 8 research assistants 9 external doctoral candidates Secretary 10+ student assistants Prof. Dr. Bernhard Sick Janosch Henze 2

3 Fragestellungen Wie bestimmen wir den Netzzustand? Wie machen wir Prognosen? Wie wollen wir den Netzzustand vorhersagen? Janosch Henze 3

4 Was ist eigentlich ein Netzzustand? Janosch Henze 4

5 Netzzustand Der Netzustand gibt eine Aussage darüber ob ein Stromnetz die Aufgabe der Energieverteilung nachkommen kann. Grafik: Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) Janosch Henze 5

6 Netzzustandsbestimmung Mit Hilfe von Lastfluss Berechnungen Eingabe: Gemessene Größen im betrachteten Netz Energieerzeugung Energieverbrauch Ausgabe: Zustand des Netzes Leitungsauslastung Knotenspannungen Transformatorauslastungen Grafik von Mario Sedlak via Janosch Henze 6

7 Netzzustandsbestimmung Erzeugung (Wind, PV, Andere) Netzzustand Lastflussberechnung Verbrauch (Haushalte, Industrie, Andere) Janosch Henze 7

8 Netzzustandsbestimmung Probleme: Keine aktuellen Werte verfügbar Lösung: Messlücken Prognosen durchund Fehler in Maschinelles Instrumenten Lernen Ungenauigkeiten der Messinstrumente Keine Vorhersage in die Zukunft Grafik von Mario Sedlak via Janosch Henze 8

9 Wie funktioniert so eine Prognose? Janosch Henze 9

10 Leistungsprognose Wind Grafik: Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) Janosch Henze 10

11 Leistungsprognose Wind Warum Windleistungsprognose? Garantie der Netzstabilität Kraftwerkeinsatzplanung Energiehandel an Energiebörsen (z. B. EEX) Wie? Herkömmlich durch physikalisches Modell Janosch Henze 11

12 Leistungsprognose Wind Grafik: Bundesarchiv, Bild , Friedrich Gahlbeck, 6. April 1962 Janosch Henze 12

13 Leistungsprognose Wind P = Leistung P = 1 2 A c w ρ v 3 A = 1 2 πr2 = Rotorfläche c w = Wirkungsgrad ρ = Luftdichte v = Windgeschwindigkeit Janosch Henze 13

14 Leistungsprognose Wind Janosch Henze 14

15 Modellbildung früher Analytische Modelle x f y Janosch Henze 15

16 Modellbildung früher Analytische Modelle f ( x ) = y Janosch Henze 16

17 Leistungsprognose Wind Typischer Datensatz In Kooperation mit enercast GmbH. Janosch Henze 17

18 Modellbildung heute Maschinelles Lernen x t f Janosch Henze 18

19 Modellbildung heute Maschinelles Lernen f ( x) = t wäre der Idealfall! Tatsächlich entsteht f(x) = y, so dass der Istwert y dem Sollwert t möglichst ähnlich ist! Janosch Henze 19

20 Wie kann die Leistungsprognose für Windanlagen realisiert werden? Janosch Henze 20

21 Leistungsprognose Wind Grafik: Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) Janosch Henze 21

22 Leistungsprognose Wind Typischer Datensatz In Kooperation mit enercast GmbH. Janosch Henze 22

23 Das Neuronale Netz Janosch Henze 23

24 Neuron Zellkern Axonterminale Axon Impuls Dendriten Janosch Henze 24

25 Einlagiges Perzeptron Aktivierungsfunktion Σ Ausgabe Gewichte Eingaben Janosch Henze 25

26 Einlagiges Perzeptron Aktivierungsfunktion Σ Ausgabe Neuron Gewichte Eingaben Janosch Henze 26

27 Mehrlagiges Perzeptron w 1 Σ w 1 Σ Σ w n w n Σ Σ Eingabe- Verdeckte Verdeckte Ausgabe- schicht Schicht Schicht schicht Janosch Henze 27

28 Mehrlagiges Perzeptron w 1 w 1 Σ Σ x Σ y w n w n Σ Σ Janosch Henze 28

29 MAschinelles Lernen x y t Janosch Henze 29

30 Leistungsprognose Wind Prognose mit neuronalem Netzwerk Janosch Henze 30

31 Energieprognosen Erneuerbare Energien sind Wetterabhängig Das Wettermodell als Input: Windrichtung Einstrahlung Regenwahrscheinlichkeit Windgeschwindigkeit Gemeßene Erzeugung als Trainingsdaten Janosch Henze 31

32 NetzzustandsPrognose Vorhersage Vorhersage Vorhersage Erzeugung (Wind, PV, Andere) Netzzustand Lastflussberechnung Verbrauch (Haushalte, Industrie, Andere) Janosch Henze 32

33 NetzzustandsPrognose 1. Eingangsgrößen Vorhersagen 2. Lastfluss berechnen 3. Netzzustand besimmen Vorteil: Viele Techniken vorhanden Kann alles Nachteil Alle Komponenten müssen vorhergesagt werden nachvollziehen Janosch Henze 33

34 NetzzustandsPrognose 1. Lastflussergebnis Vorhersagen 2. Netzzustand bestimmen Vorteil: Weniger Komponenten zur Vorhersage Nachteil Komplexeres Modell Reagiert nicht auf Veränderungen im Netz Janosch Henze 34

35 NetzzustandsPrognose 1. Netzzustand Vorhersagen Vorteil: Weniger Komponenten zur Vorhersage Nachteil Komplexeres Modell Reagiert nicht auf Veränderungen im Netz Schwierige ML Aufgabe Janosch Henze 35

Prognosen der zeitlich-räumlichen Variabilität von Erneuerbaren

Prognosen der zeitlich-räumlichen Variabilität von Erneuerbaren Prognosen der zeitlich-räumlichen Variabilität von Erneuerbaren Bernhard Lange, Kurt Rohrig, Jan Dobschinski, Arne Wessel, Yves-Marie Saint-Drennan - Fraunhofer IWES Martin Felder, ZSW Übersicht Wind-

Mehr

Perzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg

Perzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg Perzeptronen Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Perzeptronen 1 / 22 Gliederung 1 Schwellwert-Logik (MCCULLOCH-PITTS-Neuron)

Mehr

PRESSEMITTEILUNG. enercast city - Erneuerbare Energie sichtbar machen

PRESSEMITTEILUNG. enercast city - Erneuerbare Energie sichtbar machen enercast city - Erneuerbare Energie sichtbar machen Kassel, 31.10.2012 - Mit der Energiewende erhalten die erneuerbaren Energien einen größeren Stellenwert bei der Versorgung der Bevölkerung mit elektischer

Mehr

Künstliche Neuronale Netze

Künstliche Neuronale Netze Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze

Mehr

Einführung in die Computerlinguistik

Einführung in die Computerlinguistik Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:

Mehr

Praktische Optimierung

Praktische Optimierung Wintersemester 27/8 Praktische Optimierung (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl für Algorithm Engineering Metamodellierung Inhalt Multilayer-Perceptron (MLP) Radiale Basisfunktionsnetze

Mehr

BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON

BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale

Mehr

KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren

KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren Holger Rahlf; Reiner Schubert www.baw.de Künstlich Neuronales Netz Gliederung Einleitung Grundlagen Möglichkeit und Grenzen Anwendung

Mehr

vorhersagen: auflösung: Minuten bis Stunden Prognosetyp: deterministisch, probabilistisch Integration: Messwerte:

vorhersagen: auflösung: Minuten bis Stunden Prognosetyp: deterministisch, probabilistisch Integration: Messwerte: Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik iee geschäftsfeld 00253 technische informationen auf einen blick PROGNOSEN FÜR EIN ZUVERLÄSSIGES ENERGIESYSTEM vorhersagen: für erzeugung

Mehr

Gliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron

Gliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische

Mehr

Die Rolle der Windenergie in der Energiewende: Chancen und Herausforderungen

Die Rolle der Windenergie in der Energiewende: Chancen und Herausforderungen Die Rolle der Windenergie in der Energiewende: Chancen und Herausforderungen Bernhard Lange, Fraunhofer IWES Herausforderung Klimaschutz Globale Emissionspfade Vorgabe: max. globale Emissionen 750 GT

Mehr

KI-basierte Leistungsprognosen für Wind- und Solar-Anlagen. Dr. Roman Y. Asper

KI-basierte Leistungsprognosen für Wind- und Solar-Anlagen. Dr. Roman Y. Asper KI-basierte Leistungsprognosen für Wind- und Solar-Anlagen Dr. Roman Y. Asper 2017-11-08 Agenda Über enercast Leistungsprognosen Einführung Solar Wind Gebiet Datenqualität Ausblick 2 enercast: Zahlen und

Mehr

Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)

Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) 6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese

Mehr

Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik. 8. Aufgabenblatt

Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik. 8. Aufgabenblatt Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Albayrak, Fricke (AOT) Oer, Thiel (KI) Wintersemester 2014 / 2015 8. Aufgabenblatt

Mehr

Können neuronale Netze Vorhersagen treffen? Eine Anwendung aus der Stahlindustrie

Können neuronale Netze Vorhersagen treffen? Eine Anwendung aus der Stahlindustrie Können neuronale Netze Vorhersagen treffen? Eine Anwendung aus der Stahlindustrie 1. Erzeugung von Stahl im Lichtbogenofen 2. Biologische neuronale Netze 3. Künstliche neuronale Netze 4. Anwendung neuronaler

Mehr

Perzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004

Perzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron

Mehr

Klausur Modellbildung und Simulation (Prof. Bungartz) SS 2007 Seite 1/7

Klausur Modellbildung und Simulation (Prof. Bungartz) SS 2007 Seite 1/7 Klausur Modellbildung und Simulation (Prof. Bungartz) SS 2007 Seite /7 Matrikelnummer: Systeme gewöhnlicher Differentialgleichungen (3 + 3 = 6 Pkt.) Die Abbildung zeigt die Richtungsfelder von drei Differentialgleichungssystemen

Mehr

Wettervorhersagen des DWD als Grundlage für Windleistungsprognosen. aktuelle und zukünftige Potenziale

Wettervorhersagen des DWD als Grundlage für Windleistungsprognosen. aktuelle und zukünftige Potenziale Wettervorhersagen des DWD als Grundlage für Windleistungsprognosen aktuelle und zukünftige Potenziale Renate Hagedorn Deutscher Wetterdienst Geschäftsbereich Wettervorhersage (Zentrale Fachleitung) 21.

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?

Mehr

Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1

Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1 Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?

Mehr

Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016

Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016 Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online

Mehr

Die Datenmatrix für Überwachtes Lernen

Die Datenmatrix für Überwachtes Lernen Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x

Mehr

Kapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017

Kapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017 10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion

Mehr

EINSPEISEPROGNOSEN FÜR ERNEUERBARE DIE NATUR VORHERSEHEN? Michaela Leonhardt, Ph.D. Versorgungssicherheit Öko- und energiewirtschaftliche Prognosen

EINSPEISEPROGNOSEN FÜR ERNEUERBARE DIE NATUR VORHERSEHEN? Michaela Leonhardt, Ph.D. Versorgungssicherheit Öko- und energiewirtschaftliche Prognosen EINSPEISEPROGNOSEN FÜR ERNEUERBARE DIE NATUR VORHERSEHEN? Michaela Leonhardt, Ph.D. Versorgungssicherheit Öko- und energiewirtschaftliche Prognosen WINDENERGIE & PHOTOVOLTAIK IN ÖSTERREICH Wind PV Last

Mehr

Rekurrente / rückgekoppelte neuronale Netzwerke

Rekurrente / rückgekoppelte neuronale Netzwerke Rekurrente / rückgekoppelte neuronale Netzwerke Forschungsseminar Deep Learning 2018 Universität Leipzig 12.01.2018 Vortragender: Andreas Haselhuhn Neuronale Netzwerke Neuron besteht aus: Eingängen Summenfunktion

Mehr

Ein selbstmodellierendes System für die Wasserwirtschaft

Ein selbstmodellierendes System für die Wasserwirtschaft Ein selbstmodellierendes System für die Wasserwirtschaft Dipl.-Ing. Dr. ANDRADE-LEAL Wien, im Juli 2001 1 Einleitung, Motivation und Voraussetzungen Künstliche Intelligenz Neuronale Netze Experte Systeme

Mehr

Neuronale Netze (Konnektionismus)

Neuronale Netze (Konnektionismus) Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Daniel Göhring Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung

Mehr

Künstliche neuronale Netze

Künstliche neuronale Netze Künstliche neuronale Netze Sebastian Morr 4. Juni 2008 Worum geht es? Die Natur hat uns 3,7 Milliarden Jahre Forschungszeit voraus. Toby Simpson Vorbild: Strukturen des Gehirns Ziel: Lernfähige Künstliche

Mehr

Grundlagen zu neuronalen Netzen. Kristina Tesch

Grundlagen zu neuronalen Netzen. Kristina Tesch Grundlagen zu neuronalen Netzen Kristina Tesch 03.05.2018 Gliederung 1. Funktionsprinzip von neuronalen Netzen 2. Das XOR-Beispiel 3. Training des neuronalen Netzes 4. Weitere Aspekte Kristina Tesch Grundlagen

Mehr

3. BMBF-Forum für Nachhaltigkeit. Fachtagung Netzwerk Lebenszyklusdaten Datengrundlagen für die Innovation von morgen

3. BMBF-Forum für Nachhaltigkeit. Fachtagung Netzwerk Lebenszyklusdaten Datengrundlagen für die Innovation von morgen 3. BMBF-Forum für Nachhaltigkeit Fachtagung Netzwerk Lebenszyklusdaten Datengrundlagen für die Innovation von morgen Dr. Peter Viebahn Deutsches Zentrum für Luft- und Raumfahrt (DLR) Koordinator Das Netzwerk

Mehr

ENTWICKLUNG UND VERIFIKATION EINES STOCHASTISCHEN VERBRAUCHERLASTMODELLS FÜR HAUSHALTE

ENTWICKLUNG UND VERIFIKATION EINES STOCHASTISCHEN VERBRAUCHERLASTMODELLS FÜR HAUSHALTE Fakultät für Elektrotechnik und Informationstechnik 16. Februar 2012 12. Symposium Energieinnovation in Graz Intelligente Lösungen für die Energiewende Session F Energieeffizienz in Haushalten ENTWICKLUNG

Mehr

Neuronale Netze. Anna Wallner. 15. Mai 2007

Neuronale Netze. Anna Wallner. 15. Mai 2007 5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente

Mehr

Dr. Britta Buchholz, ABB-Pressekonferenz, 16. Januar 2013 Vorausschauender Netzbetrieb Analysieren Messen Regeln. ABB , ABB-Pressekonferenz

Dr. Britta Buchholz, ABB-Pressekonferenz, 16. Januar 2013 Vorausschauender Netzbetrieb Analysieren Messen Regeln. ABB , ABB-Pressekonferenz Dr. Britta Buchholz, ABB-Pressekonferenz, 16. Januar 2013 Vorausschauender Netzbetrieb Analysieren Messen Regeln 16.01.2013, ABB-Pressekonferenz Agenda Konsequenzen der Energiewende im Verteilnetz Analyse

Mehr

Anwendung von neuronalen Netzen, Projection Pursuits und CARTs für die Schätzerkonstruktion unter R

Anwendung von neuronalen Netzen, Projection Pursuits und CARTs für die Schätzerkonstruktion unter R Anwendung von neuronalen Netzen, Projection Pursuits und CARTs für die Schätzerkonstruktion unter R Markus-Hermann Koch 18. Oktober 2009 Übersicht Regression im Allgemeinen Regressionsproblem Risiko Schematischer

Mehr

Guido Sand, Lennart Merkert, Jan Schlake, ABB Forschungszentrum Deutschland Stahl aus grünem Strom Lastmanagement in der Industrie

Guido Sand, Lennart Merkert, Jan Schlake, ABB Forschungszentrum Deutschland Stahl aus grünem Strom Lastmanagement in der Industrie Guido Sand, Lennart Merkert, Jan Schlake, ABB Forschungszentrum Deutschland Stahl aus grünem Strom Lastmanagement in der Industrie ABB AG Slide 1 Industrielles Lastmanagement Netzstabilität durch flexiblen

Mehr

Intelligente Algorithmen Einführung in die Technologie

Intelligente Algorithmen Einführung in die Technologie Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche

Mehr

Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau

Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau Vorgestellt vom Akkreditierten Forschungsschschwerpunkt Computer Simulation im Maschinenbau Motivation Energieeffizienz Komplexe physikalische

Mehr

Adaptive Systeme. Mehrere Neuronen, Assoziative Speicher und Mustererkennung. Prof. Dr. rer. nat. Nikolaus Wulff

Adaptive Systeme. Mehrere Neuronen, Assoziative Speicher und Mustererkennung. Prof. Dr. rer. nat. Nikolaus Wulff Adaptive Systeme Mehrere Neuronen, Assoziative Speicher und Mustererkennung Prof. Dr. rer. nat. Nikolaus Wulff Modell eines Neuron x x 2 x 3. y y= k = n w k x k x n Die n binären Eingangssignale x k {,}

Mehr

Neuronale Netze (Konnektionismus) Einführung in die KI. Beispiel-Aufgabe: Schrifterkennung. Biologisches Vorbild. Neuronale Netze.

Neuronale Netze (Konnektionismus) Einführung in die KI. Beispiel-Aufgabe: Schrifterkennung. Biologisches Vorbild. Neuronale Netze. Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung

Mehr

Computational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20

Computational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20 Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt

Mehr

Wissensentdeckung in Datenbanken

Wissensentdeckung in Datenbanken Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen

Mehr

Batteriespeicher: Elektrische Speichersysteme im praktischen Einsatz. A. Heinzelmann. Zürcher Fachhochschule Dr. A. Heinzelmann

Batteriespeicher: Elektrische Speichersysteme im praktischen Einsatz. A. Heinzelmann. Zürcher Fachhochschule Dr. A. Heinzelmann Batteriespeicher: Elektrische Speichersysteme im praktischen Einsatz A. Heinzelmann Übersicht Vorstellung der ZHAW / IEFE / Fachgruppe PV-Heim-Speicher-Anlage Forschungsaktivitäten Trends / Zusammenfassung

Mehr

Seminar K nowledge Engineering und L ernen in Spielen

Seminar K nowledge Engineering und L ernen in Spielen K nowledge Engineering und Lernen in Spielen Neural Networks Seminar K nowledge Engineering und L ernen in Spielen Stefan Heinje 1 Inhalt Neuronale Netze im Gehirn Umsetzung Lernen durch Backpropagation

Mehr

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform. kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer

Mehr

Herausforderungen und Anforderungen an das Niederspannungsnetz im Smart Grid

Herausforderungen und Anforderungen an das Niederspannungsnetz im Smart Grid Herausforderungen und Anforderungen an das Niederspannungsnetz im Smart Grid Page 1 Agenda Heutige Situation im deutschen Niederspannungsnetz Ansätze zur Reduzierung der Netzbelastung - Intelligentes Verteilungsnetzmanagement

Mehr

Neuroinformatik. Übung 1

Neuroinformatik. Übung 1 Neuroinformatik Übung 1 Fabian Bürger Raum: BC419, Tel.: 0203-379 - 3124, E-Mail: fabian.buerger@uni-due.de Fabian Bürger (fabian.buerger@uni-due.de) Neuroinformatik: Übung 1 1 / 27 Organisatorisches Neuroinformatik:

Mehr

Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen

Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen

Mehr

Wissensentdeckung in Datenbanken

Wissensentdeckung in Datenbanken Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial

Mehr

OFFSHORE-NETZINTEGRATION

OFFSHORE-NETZINTEGRATION OFFSHORE-NETZINTEGRATION Bernhard Lange, Fraunhofer IWES für die vom BMU geförderten Forschungsprojekte Offshore Netzintegration und RAVE-Netzintegration Inhalt Herausforderungen der Netzintegration Werkzeuge

Mehr

Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und

Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion

Mehr

Neuronale Netze in der Phonetik: Feed-Forward Netze. Pfitzinger, Reichel IPSK, LMU München {hpt 14.

Neuronale Netze in der Phonetik: Feed-Forward Netze. Pfitzinger, Reichel IPSK, LMU München {hpt 14. Neuronale Netze in der Phonetik: Feed-Forward Netze Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 14. Juli 2006 Inhalt Typisierung nach Aktivierungsfunktion Lernen in einschichtigen

Mehr

Schriftlicher Test Teilklausur 2

Schriftlicher Test Teilklausur 2 Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2012 / 2013 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher

Mehr

Zwischen welchen Spielzeiten liegt die größte Steigerung vor; wie viel Prozent beträgt sie? (Entnehmen Sie der Zeichnung die notwendigen Werte so

Zwischen welchen Spielzeiten liegt die größte Steigerung vor; wie viel Prozent beträgt sie? (Entnehmen Sie der Zeichnung die notwendigen Werte so 4 Aufgaben im Dokument Aufgabe P8/2003 Das Diagramm zeigt die Aufteilung des Wasserverbrauchs eines Vier- Personen-Haushalts in den Jahren 1992 und 2002. Um wie viel Prozent liegt der Wasserverbrauch 2002

Mehr

Regeneratives Kombikraftwerk Deutschland: Systemdienstleistungen mit 100 % Erneuerbaren Energien

Regeneratives Kombikraftwerk Deutschland: Systemdienstleistungen mit 100 % Erneuerbaren Energien Regeneratives Kombikraftwerk Deutschland: Systemdienstleistungen mit 100 % Erneuerbaren Energien Abschluss: Oktober 2007 Ziel: Beweis der Machbarkeit einer 100% erneuerbaren Stromversorgung Ansatz: Kommunikationstechnische

Mehr

M i c h a e l H a e n d e l S i m o n M a r w i t z I E W T , W i e n, Fraunhofer ISI

M i c h a e l H a e n d e l S i m o n M a r w i t z I E W T , W i e n, Fraunhofer ISI EINFLUSS VON WÄRMEPUMPEN AUF DEN INVESTITIONSBEDARF IN NIEDERSPANNUNGSNETZEN M i c h a e l H a e n d e l S i m o n M a r w i t z I E W T 2 0 1 7, W i e n, 1 6. 0 2. 2 0 1 7 Agenda Einleitung Methodik Strommarktmodell

Mehr

Klassifikation linear separierbarer Probleme

Klassifikation linear separierbarer Probleme Klassifikation linear separierbarer Probleme Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation linear

Mehr

Kohonennetze Selbstorganisierende Karten

Kohonennetze Selbstorganisierende Karten Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden

Mehr

Alpiq InTec leistet Beitrag zur Energiewende GridSense. Peter Arnet, Alpiq E-Mobility AG Geschäftsführer Zürich, 10. Juni 2014

Alpiq InTec leistet Beitrag zur Energiewende GridSense. Peter Arnet, Alpiq E-Mobility AG Geschäftsführer Zürich, 10. Juni 2014 leistet Beitrag zur Energiewende GridSense Peter Arnet, Alpiq E-Mobility AG Geschäftsführer Zürich, 10. Juni 2014 Alpiq Wissensträger für ganzheitliche Lösungen. Alpiq Produzent Leitungen Verkauf/Trader

Mehr

7. Vorlesung Neuronale Netze

7. Vorlesung Neuronale Netze Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation

Mehr

Neuronale Netze Aufgaben 3

Neuronale Netze Aufgaben 3 Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus

Mehr

Ist eine stabile 100% regenerative Stromversorgung Deutschlands technisch möglich?

Ist eine stabile 100% regenerative Stromversorgung Deutschlands technisch möglich? Ist eine stabile 100% regenerative Stromversorgung Deutschlands technisch möglich? Dipl.-Ing. Kaspar Knorr Simulation zukünftiger Stromversorgungssysteme Fraunhofer IWES Chambre des Métiers, Luxemburg

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:

Mehr

Anpassung der Lastprofilen nach deutschen Normen für die Auslegung Mini-BHKW in Kasachstan. Dr.-Ing. Nassipkul Dyussembekova

Anpassung der Lastprofilen nach deutschen Normen für die Auslegung Mini-BHKW in Kasachstan. Dr.-Ing. Nassipkul Dyussembekova 1 Anpassung der Lastprofilen nach deutschen Normen für die Auslegung Mini-BHKW in Kasachstan Dr.-Ing. Nassipkul Dyussembekova 14. - 16. Februar 2018, TU Graz, Österreich Deutschland und Kasachstan Deutschland

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische

Mehr

Hybride Energie-Erzeugung am realen Beispiel

Hybride Energie-Erzeugung am realen Beispiel Hybride Energie-Erzeugung am realen Beispiel Wulf, Business Development Produktionsmaschinen siemens.at/future-of-energy Hybride Energie-Erzeugung am realen Beispiel Inhaltsverzeichnis Ausgangssituation

Mehr

Adaptive Systeme. Einführung. Grundlagen. Modellierung. Prof. Rüdiger Brause WS Organisation. Einführung in adaptive Systeme B-AS-1, M-AS-1

Adaptive Systeme. Einführung. Grundlagen. Modellierung. Prof. Rüdiger Brause WS Organisation. Einführung in adaptive Systeme B-AS-1, M-AS-1 Adaptive Systeme Prof. Rüdiger Brause WS 2013 Organisation Einführung in adaptive Systeme B-AS-1, M-AS-1 Vorlesung Dienstags 10-12 Uhr, SR11 Übungen Donnerstags 12-13 Uhr, SR 9 Adaptive Systeme M-AS-2

Mehr

Training von RBF-Netzen. Rudolf Kruse Neuronale Netze 134

Training von RBF-Netzen. Rudolf Kruse Neuronale Netze 134 Training von RBF-Netzen Rudolf Kruse Neuronale Netze 34 Radiale-Basisfunktionen-Netze: Initialisierung SeiL fixed ={l,...,l m } eine feste Lernaufgabe, bestehend ausmtrainingsbeispielenl=ı l,o l. Einfaches

Mehr

Intelligentes Stromnetz

Intelligentes Stromnetz Intelligentes Stromnetz GEWERBEGEBIET AUGSBURG HAUNSTETTEN Ein Forschungsprojekt der Stadtwerke Augsburg Energie GmbH und der Netze Augsburg GmbH mit der Technischen Universität München, dem Fraunhofer

Mehr

Radiale-Basisfunktionen-Netze. Rudolf Kruse Neuronale Netze 120

Radiale-Basisfunktionen-Netze. Rudolf Kruse Neuronale Netze 120 Radiale-Basisfunktionen-Netze Rudolf Kruse Neuronale Netze 2 Radiale-Basisfunktionen-Netze Eigenschaften von Radiale-Basisfunktionen-Netzen (RBF-Netzen) RBF-Netze sind streng geschichtete, vorwärtsbetriebene

Mehr

100 % Erneuerbare Energien- Modellprojekt

100 % Erneuerbare Energien- Modellprojekt IHK Südthüringen, 20.11.2013 1. Projektidee 100 % Erneuerbare Energien- Modellprojekt 2. Funktionsweise und Simulation 3. Bausteine 4. Regionale Wertschöpfung 5. Maßnahmen der Kommunen 6. Zusammenfassung

Mehr

Illustrierende Aufgaben zum LehrplanPLUS. Windenergie

Illustrierende Aufgaben zum LehrplanPLUS. Windenergie Windenergie Stand: 02.0.207 Jahrgangsstufen Fach Übergreifende Bildungs- und Erziehungsziele Zeitrahmen FOS (ABU), BOS 2 (ABU) Physik Technische Bildung eine Unterrichtsstunde Kompetenzerwartung Lehrplan

Mehr

Zustandsschätzung und Regelung in einem intelligenten Energieübertragungsnetz

Zustandsschätzung und Regelung in einem intelligenten Energieübertragungsnetz Zustandsschätzung und Regelung in einem intelligenten Energieübertragungsnetz 19. Juni 2012 Dipl. Ing. (IEH) KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft

Mehr

6.4 Neuronale Netze zur Verarbeitung von Zeitreihen

6.4 Neuronale Netze zur Verarbeitung von Zeitreihen 6.4 Neuronale Netze zur Verarbeitung von Zeitreihen Aufgabe: Erlernen einer Zeitreihe x(t + 1) = f(x(t), x(t 1), x(t 2),...) Idee: Verzögerungskette am Eingang eines neuronalen Netzwerks, z.b. eines m-h-1

Mehr

Statistical Learning

Statistical Learning Statistical Learning M. Gruber KW 42 Rev.1 1 Neuronale Netze Wir folgen [1], Lec 10. Beginnen wir mit einem Beispiel. Beispiel 1 Wir konstruieren einen Klassifikator auf der Menge, dessen Wirkung man in

Mehr

Klassifikationsverfahren und Neuronale Netze

Klassifikationsverfahren und Neuronale Netze Klassifikationsverfahren und Neuronale Netze Hauptseminar - Methoden der experimentellen Teilchenphysik Thomas Keck 9.12.2011 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum

Mehr

Hannah Wester Juan Jose Gonzalez

Hannah Wester Juan Jose Gonzalez Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron

Mehr

Welcome. to the Hager Group. das intelligente zuhause im Smart Grid / Dr.-Ing. Torsten Hager, Dipl.-Ing. Michael Lehr. Page 2

Welcome. to the Hager Group. das intelligente zuhause im Smart Grid / Dr.-Ing. Torsten Hager, Dipl.-Ing. Michael Lehr. Page 2 Welcome to the Hager Group das intelligente zuhause im Smart Grid / Dr.-Ing. Torsten Hager, Page 2 im Smart Grid Page 3 Agenda Heutige Situation im deutschen Niederspannungsnetz Ansätze zur Reduzierung

Mehr

2. Praktikum. Die Abgabe der Vorbereitungsaufgaben erfolgt einzeln, im Praktikum kann dann wieder in 2er-Gruppen abgegeben werden.

2. Praktikum. Die Abgabe der Vorbereitungsaufgaben erfolgt einzeln, im Praktikum kann dann wieder in 2er-Gruppen abgegeben werden. Prof. Dr.-Ing. Jörg Raisch Dipl.-Ing. Anne-Kathrin Hess Dipl.-Ing. Thomas Seel Fachgebiet Regelungssysteme Fakultät IV Elektrotechnik und Informatik Technische Universität Berlin Integrierte Lehrveranstaltung

Mehr

Energiewirtschaft. Kurzportrait

Energiewirtschaft. Kurzportrait Energiesystemtechnik Energiewirtschaft Kurzportrait Wir erforschen und entwickeln Lösungen... für die nachhaltige Transformation der Energiesysteme mit hohen Anteilen erneuerbarer Energie. Unser Leistungsportfolio

Mehr

School of Engineering Institut für Mechatronische Systeme (IMS)

School of Engineering Institut für Mechatronische Systeme (IMS) School of Engineering Institut für Mechatronische Systeme (IMS) Zürcher Fachhochschule www.ims.zhaw.ch Forschung & Entwicklung Institut für Mechatronische Systeme (IMS) Mechatronik bringt die Disziplinen

Mehr

Max Bögl Gruppe. Dezentrale Energieversorgung in der betrieblichen Praxis. Josef Bayer Leiter Elektrotechnik Wind. Fortschritt baut man aus Ideen.

Max Bögl Gruppe. Dezentrale Energieversorgung in der betrieblichen Praxis. Josef Bayer Leiter Elektrotechnik Wind. Fortschritt baut man aus Ideen. Max Bögl Gruppe Dezentrale Energieversorgung in der betrieblichen Praxis Josef Bayer Leiter Elektrotechnik Wind 1 85 Jahre erfolgreiche Firmengeschichte Familiengeführt seit 3 Generationen über 6.000 hoch

Mehr

Künstliche Neuronale Netze

Künstliche Neuronale Netze Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches

Mehr

Studienvergleich. Titel. Zielsetzung und Fragestellung

Studienvergleich. Titel. Zielsetzung und Fragestellung Studienvergleich Titel Stromgestehungskosten Erneuerbare Energien 2012 Zielsetzung und Fragestellung Ziel der Studie ist es, die aktuellen Stromgestehungskosten von Photovoltaikanlagen (PV), solarthermischen

Mehr

Unsere Luft als Energieträger Projekte in der Region

Unsere Luft als Energieträger Projekte in der Region Unsere Luft als Energieträger Projekte in der Region 12. September 2013 Dr. Bruno Dürr, Klimatologe (Geschäftsführer) Sunergy GmbH, Buchs SG Inhalt: Energieperspektiven 2035 des BFE Gibt es im Rheintal

Mehr

Konzepte der AI Neuronale Netze

Konzepte der AI Neuronale Netze Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale

Mehr

1 Einleitung. 2 Regelung. 2. Praktikum. Die Vorbereitungsaufgaben sind vor dem Praktikumstermin zu lösen! Maximal drei Personen in jeder Gruppe

1 Einleitung. 2 Regelung. 2. Praktikum. Die Vorbereitungsaufgaben sind vor dem Praktikumstermin zu lösen! Maximal drei Personen in jeder Gruppe Prof. Dr.-Ing. Jörg Raisch Dipl.-Ing. Stephanie Geist Behrang Monajemi Nejad Fachgebiet Regelungssysteme Fakultät IV Elektrotechnik und Informatik Technische Universität Berlin Integrierte Lehrveranstaltung

Mehr

Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011

Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse

Mehr

Deutsche Staff am CERN Stand: September 2017

Deutsche Staff am CERN Stand: September 2017 Deutsche Staff am CERN Stand: September 27 Anzahl der Staff 24 22 2 8 6 4 2 8 6 4 2 Staff (Cat,2,5a, ex-gentner) Staff (Cat,2,5a) Staff (Cat 3,4,5b,5c) Deutsche Staff am CERN Stand: September 27 Anteil

Mehr

Betriebs- und Einsatzoptimierung von Erneuerbare- Energien - Anlagen durch IKT Use Case: Eigenstromoptimierung

Betriebs- und Einsatzoptimierung von Erneuerbare- Energien - Anlagen durch IKT Use Case: Eigenstromoptimierung Betriebs- und Einsatzoptimierung von Erneuerbare- Energien - Anlagen durch IKT Use Case: Eigenstromoptimierung Manuel Wickert, Andre Baier IEE, Hauke Großer ARGE-Netz, Dr. Benedikt Hanke DLR, Sven Killinger

Mehr

Schriftlicher Test Teilklausur 2

Schriftlicher Test Teilklausur 2 Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher

Mehr

Vergleich von Satelliten-Einstrahlungsdaten für das Lastfluss-Monitoring an Ortsnetzstationen in Niederspannungsnetzen mit hohen PV-Anteilen

Vergleich von Satelliten-Einstrahlungsdaten für das Lastfluss-Monitoring an Ortsnetzstationen in Niederspannungsnetzen mit hohen PV-Anteilen Holger Ruf 4. Energiemeteorologiefachtagung, 20.4.2016 Vergleich von Satelliten-Einstrahlungsdaten für das Lastfluss-Monitoring an Ortsnetzstationen in Niederspannungsnetzen mit hohen PV-Anteilen 05.05.2014

Mehr

Bedeutung von Prognosen für die Energiewende

Bedeutung von Prognosen für die Energiewende Bedeutung von Prognosen für die Energiewende Dr. Frank Sehnke ZSW Dr. Marc Deissenroth DLR Dr. Elke Lorenz ISE Dr. Jan Dobschinski IWES Dr. Uwe Klann IZES Anton Kaifel ZSW Der Anteil von fluktuierenden

Mehr

MAINTENANCE PARTNERS

MAINTENANCE PARTNERS MAINTENANCE PARTNERS Evolution of MP 2001 2006 2009 2012 2013 2014 Maintenance Partners foundation Workshop Zwijndrecht MP joins Mitsubishi Industries ltd. Rotorshop New organisation New organisation Locations

Mehr

Das numerische Wettervorhersagemodell COSMO von MeteoSchweiz und seine Anwendung für die Gebäudeklimaregulierung

Das numerische Wettervorhersagemodell COSMO von MeteoSchweiz und seine Anwendung für die Gebäudeklimaregulierung Eidgenössisches Departement des Innern EDI Bundesamt für Meteorologie und Klimatologie MeteoSchweiz Das numerische Wettervorhersagemodell COSMO von MeteoSchweiz und seine Anwendung für die Gebäudeklimaregulierung

Mehr

Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider

Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training eines Künstlich Neuronalen Netzes (KNN) zur Approximation einer Kennlinie in JavaNNS 28.01.2008

Mehr

Das modulare elektrische Energiespeichersystem siemens.de/siestorage

Das modulare elektrische Energiespeichersystem siemens.de/siestorage SIESTORAGE Das modulare elektrische Energiespeichersystem siemens.de/siestorage Das modulare elektrische Energiespeichersystem Wind- und Solarkraft sind bereits zu wichtigen Energiequellen im heutigen

Mehr