Forschungsprojekt FEAT
Flexibel, Erklärbar, Akkurat – Maschinelles Lernen in komplexen Systemen unter Unsicherheit
Die zunehmende Komplexität von Systemen in Bereichen der Energiesysteme erfordert die Entwicklung neuer Methoden zur Vorhersage und Analyse von Zeitreihen. Insbesondere Ansätze des maschinellen Lernens (ML) haben sich als vielversprechend erwiesen. Allerdings fehlen ihnen oft wichtige Eigenschaften wie Flexibilität, Erklärbarkeit und Genauigkeit. Das Projekt FEAT zielt darauf ab, diese Lücken zu schließen, indem es neue ML-Methoden entwickelt, die sich an Veränderungen anpassen, mit Ausreißern und neuen Datenpunkten umgehen können und den Einfluss einzelner Komponenten auf die Ergebnisse aufzeigen. Das Bundesministerium für Bildung und Forschung fördert das Projekt FEAT, um die Entwicklung innovativer Lösungen für komplexe Systeme voranzutreiben. Entsprechende Methoden können dazu beitragen, die Vorhersagegenauigkeit von Zeitreihen in komplexen Systemen, wie zum Beispiel Strommärkten mit hohen Anteilen erneuerbarer Energien, zu verbessern und somit die Entscheidungsfindung in verschiedenen Anwendungsbereichen zu unterstützen.
Forschungsprojekt FEAT | |
|---|
Laufzeit | August 2022 bis Juli 2025 |
Förderung durch | Bundesministerium für Bildung und Forschung |
Projektbeteiligte | - Universität Tübingen, Exzellenzcluster Maschinelles Lernen
- Institut für Vernetzte Energiesysteme
|
Im Rahmen des Projekts FEAT werden neue Methoden für modulare neuronale Netze entwickelt. Diese neuartigen Netzarchitekturen werden an verschiedene Teilaspekte der zu prognostizierenden Zeitreihen angepasst, um die Besonderheiten der jeweiligen Vorhersagegrößen zu berücksichtigen. Neue Fehlermaß-Funktionen ermöglichen die Erklärbarkeit der Ergebnisse und ihrer Unsicherheiten. Die Lernaufgaben werden optimal auf verschiedene Netze aufgeteilt und stärken so Genauigkeit und Flexibilität der trainierten Netze.
Das Institut für Vernetzte Energiesysteme befasst sich im Projekt FEAT mit der Entwicklung neuer Methoden für die Vorhersage von Strompreiszeitreihen in komplexen Energiesystemen. Dafür nutzen die Forschenden das eigenentwickelte agentenbasierte Strommarktsimulationsmodell AMIRIS, um die entwickelten Methoden anzuwenden, zu testen und zu validieren. Die Kombination von ML-Methoden mit agentenbasierten Modellen trägt dazu bei, komplexe Systeme besser zu verstehen und vorherzusagen. Darüber hinaus arbeitet das Institut an der Integration der neuen Methoden in bestehende Energiesysteme und untersucht ihre Auswirkungen auf die Energiewirtschaft.
Die Ergebnisse des Projekts FEAT sollen dazu beitragen, die Vorhersagegenauigkeit von Strompreiszeitreihen zu verbessern und somit die Entscheidungsfindung in der Energiewirtschaft zu unterstützen. Alle Methoden, Modelle und Daten des Projekts werden nach Projektende Open Source bereitgestellt, um die Verwertbarkeit der Projektergebnisse in Wissenschaft und Lehre sicherzustellen. Diese Transparenz soll dazu beitragen, die Ergebnisse auf andere Bereiche zu übertragen und somit den gesamten Forschungsprozess zu beschleunigen.
