Alexander Oerder

Tim Kappler

Motivation

Durch die Regelung und Steuerung komplexer Systeme fallen im Betrieb zahlreiche Daten an, die Informationen über das zu regelnde System liefern. Im Falle der Regelung von elektrischen Maschinen lassen sich somit eine Vielzahl von Parametern bestimmen, welche das elektromagnetische System charakterisieren und durch Kenntnis derer sich die Maschine optimal regeln lässt. Aber auch bei der Regelung großer Photovoltaikanlagen auf maximale Leistung können die zur Verfügung stehenden Messwerte genutzt werden, um eine Prognose der Leistung zu erstellen. Diese ist wichtig, um die zur Verfügung stehende Energie von Speichersystemen abzuschätzen. Solche Regelungsverfahren werden am Elektrotechnischen Institut auf dem selbst entwickelten ETI-SoC-System erprobt, wobei die Algorithmen mittels Code-Generierung aus Simulink erzeugt werden. Bei der Identifizierung  von stark-nichtlinearen System, bieten sich neuronale Netze zur Abbildung an.

Noch fehlt eine Möglichkeit, welche neben dem Evaluieren neuronaler Netzwerke in Abgrenzung zu der durch Matlab bereitgestellten Funktion auch das Trainieren dieser ermöglicht. Damit wird eine Online-Optimierung auf dem ETI-SoC-System bei datengetriebenen Regelungsverfahren ermöglicht.

Aufgabenstellung

Im Rahmen dieser Arbeit soll eine Bibliothek in Matlab-Simulink entworfen werden, welche das Trainieren von neuronalen Netzen ermöglicht. Dazu sollen folgende Aspekte betrachtet werden:

- Implementierung von Optimierungsalgorithmen in Matlab

- Implementierung mehrerer Layer für neuronale Netze

- Aufbau einer Simulink-Blockset-Bibliothek

Im Anschluss soll die Bibliothek hinsichtlich Funktionalität und Performance mit der von Matlab mitgelieferten Deep-Learning-Toolbox und gängigen Python-Frameworks wie PyTorch und TensorFlow verglichen und die Funktion online auf dem ETI-SoC-System demonstriert werden.