Bent Richter

Motivation

Lokale Energiemärkte sind seit einigen Jahren Gegenstand intensiver Forschung unterschiedlichster Disziplinen. Dabei liegen die Schwerpunkte dieser Forschung in dem Design von Marktmechanismen, technischen Architektur und Verhalten der Teilnehmer innerhalb der Marktstruktur. Erste Ergebnisse aus Pilotprojekten zeigen, dass Teilnehmer zwar am individuellen Stromverbrauch interessiert sind und teilweise ihr Verhalten anpassen, jedoch diese Anpassung nur langsam stattfindet. Eine daraus resultierende Entwicklung wird das Aufkommen von Trading Bots. Diese handeln automatisch am lokalen Energiemarkt und versuchen, gemäß der Präferenzen des Besitzers (Teilnehmers), ein optimales Ergebnis zu erzielen. Eine Möglichkeit diese Agenten auf die sich ändernden Marktbedingungen zu trainieren ist das maschinelle Lernen. Die Menge an Informationen, die ein solcher Bot und damit der verwendete Lernalgorithmus erhält (bzw. benötigt) hängt dabei vom Marktdesign, Marktbetreiber, sowie dem Algorithmus selber ab. Dieser Zugriff auf die Marktdaten, sowie die Wahl des Algorithmus entscheidet dabei über das individuelle Ergebnis des einzelnen Teilnehmers.

Umfang der Arbeit

Ziel der Abschlussarbeit ist es unterschiedliche Algorithmen für den Handel auf lokalen Energiemärkten zu vergleichen. Dabei soll ermittelt werden, welchen ökonomischen Wert die verfügbaren Mengen an Marktinformationen unter verschiedenen Marktmechanismen haben. Übergeordnet wird die Fragestellung bearbeitet, auf welche Marktmechanismen und Marktergebnisse das Aufkommen von automatisierten Agenten die größte Auswirkung hat. Für die Abschlussarbeit wird eine bereits funktionsfähige Simulationsumgebung bereitgestellt. Die Umgebung erlaubt die Einbindung eigener Algorithmen (basierend auf Python) und es können unterschiedliche Szenarien (Zusammensetzung von Verbrauchern / Erzeugern / Marktmechanismen) festgelegt werden. Die Aufgabe ist es, Algorithmen aus dem Bereich des maschinellen Lernens (z.B. (Deep) Reinforcement Learning) für den Anwendungsfall zu implementieren zu testen und auszuwerten. Für die Bearbeitung der Abschlussarbeit sind Erfahrungen in Python und dem maschinellen Lernen (z.B. Vorlesung oder Seminar) vorteilhaft.

Bitte bewerben Sie sich mit einem prägnanten Motivationsschreiben, aktuellem Lebenslauf und aktuellem Notenauszug.

Anforderungen

• Vorkenntnisse aus der Energiewirtschaft (optional)
• Vorkenntnisse in Python, maschinelles Lernen
• Hohe Motivation