In einer Masterarbeit in der Akustikgruppe der HFT Stuttgart wurde für eine Beurteilung des Verkehrsaufkommens der Einsatz einer automatischen Erkennung von Straßengeräuschen wie Motoren, Passanten und Umweltgeräuschen untersucht. Durch Verwendung des maschinellen Lernens, genauer dem s.g. Deep Learning, sollten unterschiedliche Fahrzeuge anhand der akustischen Signale erkannt und unterschiedlichen Fahrzeugkategorien (z.B. Leicht-, Mittel-, Schwerfahrzeuge, Schienenfahrzeuge, Zweiräder) zu geordnet werden. Um die Berechnungszeit für das Deep Learning zu verkürzen, wurden die Berechnungen auf dem HPC Cluster durchgeführt, wobei mittels paralleler Programmierung eine Vielzahl von Rechenknoten auf dem Cluster genutzt wurden.
for more information.

In an energy community, the prosumers' interactions are critical to ensure efficient resource distribution, e.g., renewable energy sources, and to reach ambitious climate and economic goals. A typical paradigm of a local energy sharing platform consists of many prosumers and an agent that coordinates the energy transactions between prosumers. The coordinating agent, typically known as the market agent, acts according to a set of rules that enable it to match one prosumer's renewable energy surplus with the deficit of another. This article describes an agent-based modeling strategy and a case-study to demonstrate the prosumer interactions in an energy community. Each prosumer agent in the modeled environment intends to maximize its renewable energy self-consumption. At the same time, the energy community, as a whole, also would like to maximize its collective renewable self-consumption. The prosumers attempt to achieve their individual and collective objectives by following either a locally optimal or rule-based strategy. In both scenarios, prosumers have no visibility of other prosumers; therefore, the market agent has the sole responsibility of orchestrating the energy exchanges between prosumers. Finally, we discuss the significance and future research outlook for energy interaction modeling at a community scale.

Die Elektromobilität hat einen tiefgreifenden wirtschaftlichen und ökologiscen Einfluss auf unsere Gesellschaft. Ein Großteil der Transformation im Mobilitätssektor wird durch die Digitalisierung vorangetrieben, indem diese echtzeitfähige Interaktionen zwischen den unterschiedlichen Beteiligten, wie z.B. Fahrzeugnutzern und Infrastrukturbetreiber, ermöglicht. In einer Studie wird ein neues, auf dem s.g. Deep Reinforcement Learning basierendes Konzept für die Optimierung solcher Interaktionen und Entscheidungsprozessen zwischen den Beteiligten in einem Smart-Mobility Ecosystem untersucht. Der hierbei entwickelte Algorithmus löst dabei kontextbezogene, beschränkte Optimierungsprobleme zur Erfüllung von Anfragen der Beteiligten. Dabei lernt der Algorithmus von der Umgebung und den Interaktionen bis sich für den jeweils betrachteten Kontext ein optimales Gleichgewicht bei der Erfüllung der Anfragen einstellt. Um dieses rechenintensive Problem zu lösen, läuft der Algorithmus auf dem HPC Cluster unter Verwendung des oben genannten, bereit gestellten Templates.

1. CA-Smart2Charge:Context-Aware optimal charging distribution using Deep Reinforcement Learning, BDIOT2020, the fourth international conference on Big Data, Singapore.
2.ARaaS:context aware optimal charging distribution as a service using deep reinforcement learning iCity_2021: Towards liveable, intelligent and sustainable future cities.