Das Verhalten von Energie-Prosumenten in einem Energieverbund ist ein kritischer Aspekt für die effiziente Verteilung der Energieressourcen, wie z.B. erneuerbaren Energieerzeugern, sowie für die Erreichung ambitionierter Klima- und Wirtschaftsziele. Ein üblicher Ansatz lokaler Energieverteilungsplattformen geht von vielen Prosumenten und einem Agenten aus, welcher den Energietransfer zwischen den Prosumenten koordiniert. Dieser koordinierende Agent, üblicherweise als Marktagent bezeichnet, handelt auf Basis eines Regelwerks durch welches ein Energieüberschuss eines Prosumenten mit einem Defizit eines anderen ausgeglichen werden kann. In einer Studie wurde eine neuartige agentenbasierte Modellierung der Interaktionen zwischen den Prosumenten in einem Energieverbund entwickelt und evaluiert. Das Ziel dieser Strategie ist es, sowohl die individuelle Ausnutzung erneuerbarer Energien pro Prosument als auch die gemeinschaftliche Ausnutzung im gesamten Verbund zu maximieren, indem der Agent den Energietransfer zwischen den Prosumenten orchestriert. Da es sich bei dieser Aufgabe um ein rechenintensives Optimierungsproblem handelt, kommt der HPC Cluster zum Einsatz.
In der Hochschullehre liefern häufige kleine Tests den Studierenden und Lehrenden wichtige Rückmeldung zum Lernstand, bedeuten aber auch zusätzlichen Zeitaufwand für die Korrektur. Daher gibt es schon länger Ansätze zur automatischen oder automatisch gestützten Bewertung von kurzen Freitext-Antworten. Wir prüfen, ob die im Natural Language Processing (NLP) hoch erfolgreichen transformerbasierten neuronalen Modelle auch eine Qualitätsverbesserung bei der automatisierten Bewertung von Freitexten liefern können.Der Trainingsaufwand für das Anpassen der existierenden Modelle an die konkrete Aufgabe übersteigt bei weitem das auf einem üblichen PC realistisch leistbare. Daher nutzen wir die Ressourcen von bwHPC.
