KIT - Kar; t f; r Matematika - A 234-es modell-megközelítés - energia és AI

Közelebbről megvizsgálva a természettudományt és főleg a matematikát mindenhol megtalálhatjuk az életünkben, a csapteleptől az autópályák automatikus sebességszabályozásán át, az orvostechnikán át a mobiltelefonig. Amivel a karlsruhei kutatók, diplomások és tanárok jelenleg dolgoznak, a podcast modell megközelítéséből első kézből tudhatjuk meg.

matematika

Gudrun Nicole Ludwiggel beszélt 2020 márciusában. A Campus North munkatársa a KIT-nél, az Automation and Applied Computer Science Intézethez tartozik. A DFG Graduate School Energy State Data, Computer Analysis Methods for Analysis, Recording and Use tagja volt, és hamarosan befejezi doktori fokozatát. Tanulmányai során az ökonometria és a statisztika témái ragadták meg, valamint az öröm, hogy empirikus adatokból megbízható eredményeket tudott levezetni. A gépi tanulást az előrejelzésekhez használta alapdiplomamunkájában. Ezért volt nagyon izgalmas számára, hogy ezeket az ismereteket és a téma élvezetét eljuttassa az Energetikai Adatok és Számítástechnika Doktori Iskolához.

Társadalomként a közeljövőben el kell érnünk az energiatermelést fosszilis üzemanyagok nélkül. Újra meg kell tanulni, hogyan lehet a megújuló energiákat felhasználni a hagyományos energiatermeléshez képest, egyrészt a gazdaság és a háztartások stabil ellátásának biztosítása érdekében, másrészt a szükséges változtatások összes terheinek igazságos elosztása érdekében.

Az energiatermelés optimalizálásának két módja van. Egyrészt jobban igazíthatjuk a gyártási ütemtervet az igényekhez. Másrészt megváltoztathatjuk a fogyasztási magatartást az optimális ellátási stratégia támogatása érdekében. Hagyományosan az ember ismeri az energiaigény előrejelzéseit a különböző időhorizontokban, és ezeket alapozza meg a termelési tervekben. Mivel azonban a változókat egyre nagyobb mértékben befolyásolja a rendszer, a tökéletes előrejelzések nagyon irreálisak, és valószínűleg nem a megfelelő megközelítés a jövőben.

Csak azt kell szem előtt tartania, hogy a szél- és napenergia-termelés egyaránt nagymértékben függ az időjárástól. Még akkor is, ha az időjárás-előrejelzés sokkal jobbá vált, még mindig nem lehet arra alapozni, hogy kellően megbízható előrejelzéseket készítsen az energiatermelésről. Másrészt ma már vannak jobb módszerek az energiafogyasztás ellenőrzésére, legalábbis elvileg kívülről. Ami korábban alacsony árakkal édesítette az energiacsúcsok fogyasztását, mivel az éjszakai energia ma már nemcsak a vállalatoknál, de akár a háztartásokban is regionális és adaptív módon szabályozható, például amikor a mosógép jár, vagy melegvíz-tartály töltődik. Hamarosan az e-járműpark akkumulátoraival a megfelelő időben felveheti az energiát, és csúcsidőben is újra felszabadíthatja.

A jogszabály még nem fejlett, mint a technikai lehetőségek. De mindenképpen alaposan meg kell gondolnia, hogy milyen módon akarja az embereket arra kényszeríteni, hogy adatokat szolgáltassanak erre a célra, és hogyan védheti meg őket ezután az illetéktelen személyek általi visszaéléssel szemben. Az energiaellátás már sokkal kiszolgáltatottabb a hackerek támadásaival szemben, mint szeretnénk beismerni.

Elvileg azonban nagyon sok adat van - már csak az időjárási adatok tekintetében is -, de az energiafogyasztás finom ismeretében is, amelyek felhasználhatók új típusú előrejelzések kidolgozásához. Tehát a tisztán fizikán alapuló modellek és a szakértői ismeretek helyett az ideghálózatok és az adatbányászat felé haladunk. Természetesen ezek nem működnek értelmesen a szakértő szeme nélkül, mert az a kérdés, amelyre az adott adatok ésszerűen és megbízhatóan válaszolhatnak, naiv módon megtervezni természetesen nem lehetséges.

Nicole szeret nagyon különböző tudásterületek (közgazdaságtan, fizika/meteorológia, mérnöki tudomány és informatika) felületén kutatni.

  • S. Coşkun, G. Thäter: Energiapiacok, vita a modell megközelítésű podcastban, 190. rész, Karlsruhei Műszaki Intézet (KIT) Matematikai Kar.
  • C. Harvey, G. Thäter: Micro Grids, Discussion in the Model Approach Podcast, 186. rész, Karlsruhei Műszaki Intézet (KIT) Matematikai Kar.
  • Z. Ahamed, G. Thäter: Elektromos járművek a rácson, beszélgetés a Modellansatz Podcastban, 183. rész, Karlsruhe Műszaki Intézet (KIT) Matematikai Kar.
  • G. Thäter, B. Pousinho: Weather Generator, Discussion in the Model Approach Podcast, 148. rész, Karlsruhei Műszaki Intézet (KIT) Matematikai Kar.
  • M. Lösch, S. Ritterbusch: Smart Meter Gateway Discussion in the Model Approach Podcast, 135. rész, Karlsruhe Műszaki Intézet (KIT) Matematikai Kar.
  • M. Völter, V. Hagenmeyer: Stromnetze, áttekintés, omega tau podcast, 246. rész, 2017.
  • J. Müller-Quade, A. Rupp, B. Löwe, K. Bao: Titkosítás és magánélet az elektromos hálózatban, Jan Rähm jellemzője a Karlsruhe Műszaki Intézet KIT audió kutatási podcastjában, 2017. epizód.
  • S. Seier, T. Alexandrin: Bérlői patak bűnözés, szakadék vagy Cliffhanger? 16. rész a reaktív teljesítmény podcastban, 2017.
  • M. Dalheimer, P. Hecko: Der Strom, 5. epizód, Pietcast, 2014.

Idézd ezt a podcast epizódot

Munkacsoport: numerikus szimuláció, optimalizálás és nagy teljesítményű számítás

hivatal
Főiskolai épület matematika (20.30)
3.039 szoba

cím
Karlsruhe Műszaki Intézet (KIT)
Alkalmazott és Számszerű Matematikai Intézet
Englerstrasse 2
76131 Karlsruhe