KIT - Facultate; t f; r Matematică - Modelul de abordare Model 234 - Energie și AI

La o inspecție mai atentă, găsim științele naturii și mai ales matematica peste tot în viața noastră, de la robinet până la controlul automat al vitezei pe autostrăzi, în tehnologia medicală la telefonul mobil. La ce lucrează în prezent cercetătorii, absolvenții și profesorii din Karlsruhe, aflăm direct în abordarea modelului de podcast.

Gudrun a vorbit cu Nicole Ludwig în martie 2020. Este colegă la KIT pe Campus Nord și aparține Institutului pentru Automatizare și Științe Calculatoare Aplicate. A fost membră a DFG Graduate School Energy State Data, Computer Science Methods for Analysis, Recording and Use și este pe cale să-și finalizeze doctoratul. În timpul studiilor sale a fost surprinsă de subiectele econometriei și statisticilor și de bucuria de a putea obține rezultate fiabile din date empirice. Ea a folosit învățarea automată pentru prognoze în teza de licență. Acesta este motivul pentru care a fost foarte interesant pentru ea să aducă aceste cunoștințe și plăcerea ei la acest subiect la Școala Absolventă a Datelor Energetice și a Informaticii.

Ca societate, trebuie să realizăm producția de energie fără combustibili fosili în viitorul apropiat. Cu toate acestea, este necesar să reînvățăm cum să folosim energiile regenerabile în comparație cu generarea convențională de energie, pe de o parte pentru a asigura o aprovizionare stabilă a economiei și a gospodăriilor și, pe de altă parte, pentru a distribui în mod echitabil toate poverile schimbărilor necesare.

Există două modalități de a optimiza producția de energie. În primul rând, putem adapta mai bine programul de producție la cerere. Pe de altă parte, putem schimba comportamentul de consum pentru a sprijini o strategie optimă de aprovizionare. În mod tradițional, se cunosc previziuni pentru cererea de energie în orizonturi de timp diferite și le folosește ca bază pentru planurile de producție. Cu toate acestea, cu o cantitate tot mai mare și în schimbare de variabile care afectează sistemul, predicțiile perfecte sunt foarte nerealiste și probabil nu sunt abordarea potrivită pentru viitor.

Trebuie doar să rețineți că recolta de energie atât pentru energia eoliană, cât și pentru energia solară depinde în mare măsură de vreme. Chiar dacă prognoza meteo a devenit mult mai bună, încă nu este posibil să o folosiți ca bază pentru a face predicții suficient de fiabile pentru generarea de energie. Pe de altă parte, există acum modalități mai bune de a controla consumul de energie, cel puțin în principiu, din exterior. Ceea ce obișnuia să îndulcească consumul de vârfuri de energie cu prețuri mici, deoarece energia nocturnă poate fi acum controlată regional și adaptativ nu numai în companii, ci chiar și în gospodărie, de exemplu atunci când mașina de spălat funcționează sau se încarcă un rezervor de apă caldă. În curând, flota de vehicule electronice cu acumulatorii lor va putea să preia energie la momentul potrivit și, de asemenea, să o elibereze din nou la orele de vârf.

Legislația nu este încă la fel de avansată ca posibilitățile tehnice. Dar cu siguranță trebuie să vă gândiți cu atenție la modul în care doriți să forțați oamenii să furnizeze date în acest scop și cum le puteți proteja de utilizarea abuzivă a acestor cunoștințe de către persoane neautorizate. Aprovizionarea cu energie este deja mult mai vulnerabilă la atacurile hackerilor decât am vrea să recunoaștem.

Cu toate acestea, în principiu, există o mulțime de date - chiar și numai cu privire la datele meteo - dar și în cunoștințele minuțioase ale consumului de energie - care pot fi utilizate pentru elaborarea de noi tipuri de prognoze. Așadar, trecem de la modele pur fizice și cunoștințe de specialitate la rețele neuronale și minerit de date. Bineînțeles, acestea nu funcționează sensibil fără un ochi expert, deoarece întrebările pe care datele disponibile le pot răspunde în mod sensibil și fiabil nu sunt cu siguranță posibile într-un mod naiv planificat.

Lui Nicole îi place să facă cercetări la interfața diferitelor domenii ale cunoașterii (economie, fizică/meteorologie, inginerie și informatică).

S. Coșkun, G. Thäter: Piețele energetice, discuții în abordarea model Podcast, episodul 190, Facultatea de matematică, Institutul de tehnologie Karlsruhe (KIT), 2018.
C. Harvey, G. Thäter: Micro Grids, Discussion in the Model Approach Podcast, Episodul 186, Facultatea de Matematică, Institutul de Tehnologie Karlsruhe (KIT), 2018.
Z. Ahamed, G. Thäter: Vehicule electrice pe rețea, discuție în Podcast-ul Modellansatz, Episodul 183, Facultatea de Matematică, Institutul de Tehnologie Karlsruhe (KIT), 2018.
G. Thäter, B. Pousinho: Weather Generator, Discussion in the Model Approach Podcast, Episodul 148, Facultatea de Matematică, Institutul de Tehnologie Karlsruhe (KIT), 2017.
M. Lösch, S. Ritterbusch: Smart Meter Gateway Discussion in the Model Approach Podcast, Episode 135, Faculty of Mathematics, Karlsruhe Institute of Technology (KIT), 2017.

M. Völter, V. Hagenmeyer: Stromnetze, an overview, omega tau podcast, episodul 246, 2017.
J. Müller-Quade, A. Rupp, B. Löwe, K. Bao: Cryptography and privacy in the power grid, feature by Jan Rähm in the KIT.audio research podcast of the Karlsruhe Institute of Technology, episode 6, 2017.
S. Seier, T. Alexandrin: Tenant Stream Crime, Abyss or Cliffhanger? Episodul 16 din podcastul cu putere reactivă, 2017.
M. Dalheimer, P. Hecko: Der Strom, episodul 5 din Pietcast, 2014.

Citați acest episod de podcast

Grup de lucru: simulare numerică, optimizare și calcul performant

birou
Matematică pentru construirea colegiului (20.30)
Camera 3.039

abordare
Institutul de Tehnologie Karlsruhe (KIT)
Institutul de matematică aplicată și numerică
Englerstrasse 2
76131 Karlsruhe