TY - THES

T1 - Entscheidungsfindung unter Unsicherheit durch Reinforcement Learning am Beispiel einer Microgrid-Steuerung

AU - Zeilinger, Katharina

N1 - nicht gesperrt

PY - 2022

Y1 - 2022

N2 - Das Treffen fundierter Entscheidungen erfordert Informationen über die Entscheidungssituation und die möglichen Konsequenzen der Entscheidungsoptionen. Sind die entscheidungsrelevanten Informationen teilweise unbekannt, wird von Entscheidungsfindung unter Unsicherheit gesprochen. In der strategischen Entscheidungsfindung treten zunehmend komplexer werdende Problemstellungen und Unsicherheiten auf. Es stellt sich die Frage, wie selbst bei Unsicherheit der entscheidungsrelevanten Faktoren gute Entscheidungen getroffen werden können. Im Rahmen dieser Masterarbeit soll die Methode Reinforcement Learning bezüglich ihrer Eignung zur Entscheidungsfindung unter Unsicherheit in einem sequentiellen Entscheidungsproblem beurteilt werden. Die Problemstellung wird am Beispiel der Steuerung eines Dieselgenerators in einem autarken, hybriden Microgrid bearbeitet. Dabei muss über einen längeren Betrachtungszeitraum in jedem Zeitschritt eine Entscheidung über den Einschaltzustand des Dieselgenerators getroffen werden. Ziel dabei ist es, den Energiebedarf der Verbraucher verlässlich zu decken und die im Microgrid anfallenden laufenden Kosten über den betrachteten Zeitraum zu minimieren. Die Entscheidungsstrategie zur Steuerung des Dieselgenerators wird durch einen Policy-Gradient-Algorithmus gelernt. Zur Evaluierung der Methode wird die Qualität der gelernten Entscheidungsstrategie im Vergleich zu einer trivialen Strategie anhand verschiedener Testfälle unter verschiedenen Gegebenheiten betrachtet. Als Qualitätskriterium werden die laufenden Kosten herangezogen. Die Ergebnisse der Evaluierung zeigen, dass sich die durch Reinforcement Learning gelernte Entscheidungsstrategie gut für die Gewährleistung der Energieversorgung eignet.

AB - Das Treffen fundierter Entscheidungen erfordert Informationen über die Entscheidungssituation und die möglichen Konsequenzen der Entscheidungsoptionen. Sind die entscheidungsrelevanten Informationen teilweise unbekannt, wird von Entscheidungsfindung unter Unsicherheit gesprochen. In der strategischen Entscheidungsfindung treten zunehmend komplexer werdende Problemstellungen und Unsicherheiten auf. Es stellt sich die Frage, wie selbst bei Unsicherheit der entscheidungsrelevanten Faktoren gute Entscheidungen getroffen werden können. Im Rahmen dieser Masterarbeit soll die Methode Reinforcement Learning bezüglich ihrer Eignung zur Entscheidungsfindung unter Unsicherheit in einem sequentiellen Entscheidungsproblem beurteilt werden. Die Problemstellung wird am Beispiel der Steuerung eines Dieselgenerators in einem autarken, hybriden Microgrid bearbeitet. Dabei muss über einen längeren Betrachtungszeitraum in jedem Zeitschritt eine Entscheidung über den Einschaltzustand des Dieselgenerators getroffen werden. Ziel dabei ist es, den Energiebedarf der Verbraucher verlässlich zu decken und die im Microgrid anfallenden laufenden Kosten über den betrachteten Zeitraum zu minimieren. Die Entscheidungsstrategie zur Steuerung des Dieselgenerators wird durch einen Policy-Gradient-Algorithmus gelernt. Zur Evaluierung der Methode wird die Qualität der gelernten Entscheidungsstrategie im Vergleich zu einer trivialen Strategie anhand verschiedener Testfälle unter verschiedenen Gegebenheiten betrachtet. Als Qualitätskriterium werden die laufenden Kosten herangezogen. Die Ergebnisse der Evaluierung zeigen, dass sich die durch Reinforcement Learning gelernte Entscheidungsstrategie gut für die Gewährleistung der Energieversorgung eignet.

KW - decision making under uncertainty

KW - reinforcement learning

KW - microgrid

KW - policy gradient

KW - Entscheidungsfindung unter

KW - Unsicherheit

KW - Reinforcement Learning

KW - Microgrid

KW - Policy Gradient

M3 - Masterarbeit

ER -