Übersicht
Worum es bei diesem Projekt geht.
Du bekommst zwei Jahre stündliche Day-Ahead- und Intraday-Preisdaten plus ein Batterie-Modell (Kapazität, Round-Trip-Effizienz, Degradation). Trainiere ein neuronales Übergangsmodell der Preise, plane Policies entweder per Dyna-Style RL oder per Model-Predictive Control über das gelernte Modell und vergleiche die Erträge auf einem Holdout-Jahr mit der heutigen Regel-Heuristik. Liefere eine reproduzierbare Pipeline und einen 4-seitigen Bericht mit Risiko-Diskussion (Worst-Case-Szenarien, Modell-Drift).
Das Briefing
Was Du tust und was Du zeigst.
Schlage die regelbasierte Heuristik der Batterie-Speichersteuerung mit einem modellbasierten RL-Ansatz auf historischen Marktdaten ohne Risikoeskalation.
Earning criteria — what you'll demonstrate
- Ein neuronales Übergangsmodell als RL-Welt-Modell trainieren und auswerten
- Model-Predictive Control oder Dyna-Style Planung über ein gelerntes Modell umsetzen
- Backtesting mit ehrlicher Behandlung von Modell-Drift und Worst-Case-Szenarien
- RL-Ergebnisse so dokumentieren, dass ein Handels-Team sie verantworten kann
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Ingenieur:in
Ein gelerntes Modell + Planung in eine reproduzierbare Pipeline für ein Handelsteam zu bringen ist genau die Arbeit, mit der ML-Ingenieurinnen in Energie-Startups Verantwortung übernehmen.
Dieses Projekt schärft
- pytorch
- time-series-forecasting
- evaluation
Angewandte:r KI-Wissenschaftler:in
Modellbasiertes RL mit ehrlicher Risiko-Diskussion auf historischen Marktdaten zu liefern entspricht dem Erstprojekt angewandter KI-Wissenschaftlerinnen im Energiesektor.
Dieses Projekt schärft
- model-based-rl
- reinforcement-learning
- optimization
Data Scientist
Saubere Backtest-Methodik mit Drawdown-Reporting und Drift-Analyse ist Pflichtkompetenz für Data Scientists, die in Quant-Teams am Strommarkt arbeiten.
Dieses Projekt schärft
- time-series-forecasting
- evaluation
- optimization
Noch eine Sache