Federated Conference on Computer Science and Information Systems (2016 : Danzig) Proceedings of the 2016 Federated Conference on Computer Science and Information Systems [Piscataway, NJ] : IEEE, 2016 (2016), Seite 551-559 1 Online-Ressource
Federated Conference on Computer Science and Information Systems (2016 : Danzig) Proceedings of the 2016 Federated Conference on Computer Science and Information Systems [Piscataway, NJ] : IEEE, 2016 (2016), Seite 1517-1525 1 Online-Ressource
International Joint Conference on Neural Networks (2016 : Vancouver, British Columbia) 2016 International Joint Conference on Neural Networks (IJCNN) Piscataway, NJ : IEEE, 2016 (2016), Seite 551-559 1 Online-Ressource
Optimierungsansätze in dynamisch organisierten, kooperativen Systemen stehen oft vor dem Problem, nicht auf ein statisches Optimierungsmodell zurückgreifen zu können. Im Smart Grid muss bei der Koordination dezentraler Energieerzeugungsanlagen jeder Anlage ein Fahrplan aus dem eigenen, spezifischen Lösungsraum zugewiesen werden, um einen gewünschten Gesamtlastgang zu erzielen. Diese Arbeit entwickelt ein Verfahren, mit dem abstrakte Darstellungen von Lösungsräumen einschließlich sie beschränkender Nebenbedingungen ohne spezifisches Wissen über die individuelle Modellierung automatisiert zu einem gemeinsamen Optimierungsmodell integriert werden können. Durch einen Supportvektor-Dekoder werden zulässige Lösungen systematisch generiert, sodass das Optimierungsverfahren über keine eigene Constraintbehandlung mehr verfügen müssen. Präsentiert werden alle Schritte von der Abstraktion durch die spezielle Lösungsraumdarstellung bis zur Einbettung in zentrale als auch verteilte Verfahren. <dt.>
Optimization in dynamically organized systems usually cannot access a static optimization model. In a smart grid load planning scenario individual energy units have to be assigned a schedule from their own specific solution space to gain a desired accumulated load schedule. This work develops a solution that integrates abstract representations of search spaces and restricting constraints into a dynamic optimization model. A solver will need no domain specific information about original models. With the help of a support vector based decoder, valid solutions are systematically generated. The solver does not need any own constraint handling. All steps including evaluation results are presented from gaining the abstract search space representation to the integration into several centralized as well as distributed optimization algorithms. <engl.>
