DomLearn - Domain-Informed Machine Learning für intelligente Energieyystems

Die Digitalisierung integrierter, regionaler Energiesysteme führt zur Entstehung von sogenannten cyber-physikalischen Energiesystemen, welche auf der Integration von softwaretechnischen Komponenten und physikalischen Prozessen basieren. In der Analyse und Optimierung dieser Systeme sind Methoden und Werkzeuge der Modellierung und Simulation von zentraler Bedeutung. Neue Anforderungen an Modellierung und Simulation sind einer stetig wachsenden Menge an Betriebsdaten aus Internet-of-Things (IoT) Sensoren sowie dem Verschwimmen der Sektorengrenzen zwischen Strom, Gas, Wärme, Kälte und Mobilität geschuldet. Datenbasierte Methoden des Maschinellen Lernens (ML) werden erfolgreich für die Simulation und Modellierung von physikalischen Systemen eingesetzt. Allerdings stoßen traditionelle Methoden des maschinellen Lernens speziell bei dynamischen physikalischen Prozessen an ihre Grenzen 5 7. Speziell in Situationen, in denen die Datenakquise kompliziert oder kostspielig ist, ist es oft schwer möglich komplexe Zusammenhänge aus spärlich vorhandenen oder unvollständigen Daten zu lernen. Des Weiteren ist die physikalische Plausibilität der Ergebnisse eine zentrale Rahmenbedingung vieler ML Anwendungen. Techniken und Methoden, die etablierte, physikalische Modellierung sowie vorhandenes Fach- und Domain-Wissen sinnvoll mit maschinellem Lernen kombinieren können (z.b. in der Architektur von Deep Learning Netzwerken, die von den Gleichungen der zugrundeliegenden Physik beeinflusst werden), sind vielversprechende Kandidaten um diese Problem zu lösen. Die Entwicklung von domain-informierten, interpretierbaren und robusten ML Methoden und Algorithmen wurden als zentraler Forschungsbedarf im Bereich der künstlichen Intelligenz definiert 6. Modelle des maschinellen Lernens und der physikalischen Modellierung stehen sehr oft in direkter Konkurrenz. Während es unwahrscheinlich ist, dass rein physikalische Modelle durch datengetriebene Modelle vollständig ersetzen werden, so ergeben sich aus der Kombination der beiden Modellierungsparadigmen neue Möglichkeiten.