Sekventiell beräkningsdataaktiverad assimilering och maskininlärning för energisystem

5 hp

Kursplan, Avancerad nivå, 1EL306

Kod
1EL306
Utbildningsnivå
Avancerad nivå
Huvudområde(n) med fördjupning
Förnybar elproduktion A1F, Teknik A1F
Betygsskala
Med beröm godkänd, icke utan beröm godkänd, godkänd, underkänd
Fastställd av
Teknisk-naturvetenskapliga fakultetsnämnden, 2 mars 2022
Ansvarig institution
Institutionen för elektroteknik

Behörighetskrav

120 hp inom teknik/naturvetenskap. 30 hp matematik inklusive linjär algebra och statistik. Elkraftsystemanalys och en av kurserna i energiomvandlingssystem t ex Vindkraft - teknik och system, Vågkraft - teknik och system eller Vattenkraft - teknik och system. Reglerteknik I eller Linjär algebra II. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Efter godkänd kurs ska studenten kunna:

  • beskriva och tillämpa grundläggande sekventiella metoder för dataassimilering och maskininlärning som kombinerar utdata från en beräknings-/numerisk/digital tvillingmodell av energisystem med observationsdata för att uppskatta, förutse och bedöma systemparametrar och tillstånd,
  • beskriva, använda och konstruera olika sekventiella linjära algoritmer för dataassimilering och linjär regression avseende Kalman-filtret och dess varianter,
  • beskriva och använda grundläggande algoritmer för maskininlärning: feedforward och dess variant av neurala nätverk av djupinlärning och artificiell intelligens,
  • använda datastrukturer, dataaktiverade algoritmer och datahantering för att förbereda dataanalys samt visualisering av resultaten.

Innehåll

Dataaktiverade algoritmer med deras datastrukturer, datahantering och visualisering. Dataaktiverade sekventiella linjära algoritmer för dataassimilering och linjär regression (Kalman-filter och definierade varianter) med deras inneboende stokastiska processer, optimering och kontroller och med en kort genomgång av dess icke-linjära, icke- normala motsvarigheter. Dataaktiverade algoritmer för maskininlärning med feedforward och dess variant av neurala nätverk fördjupinlärning samt en inledande genomgång av andra ekvivalenta algoritmer. Projektarbeten och inlämningsuppgifter med exempel från fysiska och artificiella processer relaterade till vattenkraft, sol, vind, våg, ström, resurser, e-mobilitet, kraftsystem, elmarknader, etc.

Undervisning

Föreläsningar, seminarier, projektarbete och inlämningsuppgifter med praktiska tillämpningar i Matlab.

Examination

Skriftlig projektrapport (2,5 hp) och inlämningsuppgifter (2,5 hp).

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
twitter
youtube
linkedin