Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher?
|
|
- Gerhard Brahms
- vor 5 Jahren
- Abrufe
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 Bernhard Lange, Kurt Rohrig, Jan Dobschinski, Arne Wessel, Yves-Marie Saint-Drennan - Fraunhofer IWES Martin Felder, ZSW Übersicht Wind-
MehrPerzeptronen. 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)
MehrPRESSEMITTEILUNG. 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
MehrKünstliche 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
MehrEinführung 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:
MehrPraktische 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
MehrBACKPROPAGATION & 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
MehrMaschinelles 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
MehrKNN-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
Mehrvorhersagen: 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
MehrGliederung. 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
MehrDie 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
MehrKI-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
MehrWir 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
MehrTechnische 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
MehrKönnen 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
MehrPerzeptronen. 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
MehrKlausur 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
MehrWettervorhersagen 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.
MehrMaschinelles 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?
MehrDer 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?
MehrMaschinelles 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?
MehrFakultät 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
MehrDie 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
MehrKapitel 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
MehrEINSPEISEPROGNOSEN 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
MehrRekurrente / 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
MehrEin 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
MehrNeuronale 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
MehrKünstliche 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
MehrGrundlagen 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
Mehr3. 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
MehrENTWICKLUNG 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
MehrNeuronale 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
MehrDr. 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
MehrAnwendung 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
MehrGuido 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
MehrIntelligente 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
MehrRelevanz moderner Optimierungsmethoden im Strömungsmaschinenbau
Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau Vorgestellt vom Akkreditierten Forschungsschschwerpunkt Computer Simulation im Maschinenbau Motivation Energieeffizienz Komplexe physikalische
MehrAdaptive 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 {,}
MehrNeuronale 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
MehrComputational 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
MehrWissensentdeckung 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
MehrBatteriespeicher: 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
MehrSeminar 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
Mehrkurze 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
MehrHerausforderungen 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
MehrNeuroinformatik. 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:
MehrWärmebedarfsprognose 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
MehrWissensentdeckung 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
MehrOFFSHORE-NETZINTEGRATION
OFFSHORE-NETZINTEGRATION Bernhard Lange, Fraunhofer IWES für die vom BMU geförderten Forschungsprojekte Offshore Netzintegration und RAVE-Netzintegration Inhalt Herausforderungen der Netzintegration Werkzeuge
MehrWas 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
MehrNeuronale 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
MehrSchriftlicher 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
MehrZwischen 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
MehrRegeneratives 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
MehrM 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
MehrKlassifikation linear separierbarer Probleme
Klassifikation linear separierbarer Probleme Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation linear
MehrKohonennetze 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
MehrAlpiq 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
Mehr7. 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
MehrNeuronale 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
MehrIst 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
MehrModellbildung 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:
MehrAnpassung 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
MehrMaschinelles 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
MehrHybride 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
MehrAdaptive 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
MehrTraining 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
MehrIntelligentes 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
MehrRadiale-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
Mehr100 % 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
MehrIllustrierende 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
MehrZustandsschätzung 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
Mehr6.4 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
MehrStatistical 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
MehrKlassifikationsverfahren 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
MehrHannah 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
MehrWelcome. 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
Mehr2. 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
MehrEnergiewirtschaft. Kurzportrait
Energiesystemtechnik Energiewirtschaft Kurzportrait Wir erforschen und entwickeln Lösungen... für die nachhaltige Transformation der Energiesysteme mit hohen Anteilen erneuerbarer Energie. Unser Leistungsportfolio
MehrSchool 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
MehrMax 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
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrStudienvergleich. 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
MehrUnsere 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
MehrKonzepte 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
Mehr1 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
MehrDas 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
MehrDeutsche 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
MehrBetriebs- 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
MehrSchriftlicher 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
MehrVergleich 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
MehrBedeutung 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
MehrMAINTENANCE 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
MehrDas 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
MehrPraktikum 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
MehrDas 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