| Acronym | Thema
(Kurzbeschreibung) | Anforderungen | Kontaktperson | Zeit des Eintrags |
|---|
DEEP_NILM | Deep Learning für die Deaggregation von Strommessungen Forschungsmethode: Prototyping Forschungsfrage: - Wie kann Deep Learning zur Deaggregation von Strommessungen eingesetzt werden?
- Wie schneidet Deep Learning im Vergleich zu bestehenden Methoden ab?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur und bestehendem Programmcode verstehen
- Entwicklung eines effizienten Python-Programms, um DL-Modelle auf öffentlichen NILM-Datensätzen zu trainieren
- Evaluation der Methoden durch Vergleich mit bestehenden Methoden
| - Programmierkenntnisse in Python
| Christoph Goebel christoph.goebel@tum.de | 09/2023 |
DEEP_HEAT | Deep Reinforcement Learning zur optimalen Steuerung der Wärmeversorgung in Gebäuden Forschungsmethode: Prototyping Forschungsfrage: - Wie kann Deep Reinforcement Learning zur Optimierung der angewendet werden?
- Wie schneidet Deep Reinforcement Learning im Vergleich zu anderen Methoden ab?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur und bestehendem Programmcode verstehen
- Entwicklung eines effizienten Python-Programms, um DRL Modelle für Anwendungsfall zu trainieren
- Evaluation der Methoden durch Vergleich mit bestehenden Methoden
| - Programmierkenntnisse in Python
| Christoph Goebel christoph.goebel@tum.de | 09/2023 |
ES_EVAL | Techno-ökonomische Bewertung von Energiespeicher-Kombinationen für Quartiere Forschungsmethode: Modellierung Forschungsfrage: - Wie können Kombinationen verschiedener Energiespeicher in Quartieren eingesetzt werden?
- Wie können verschiedene Einsatzszenarien technisch und ökonomisch miteinander verglichen werden?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Modellentwicklung, um die technischen Grenzen und ökonomischen Hintergründe von Energiespeichern zu verstehen
- Szenarien definieren und das Potenzial verschiedener Energiespeicher-Technologien vergleichen
| - Programmierkenntnisse in Python
- Hintergrund in Energiesystemmodellierung
| Christoph Goebel christoph.goebel@tum.de | 04/2024 |
P2P_ENERGY_TRADING | Dezentraler Peer-to-Peer-Energiehandel unter Netzrestriktionen Forschungsmethode: Prototyping Forschungsfrage: - Wie kann der Peer-to-Peer-Energiehandel in Verteilnetzen realisiert werden, während physikalische Einschränkungen berücksichtigt werden?
- Welche Ansätze existieren?
- Wie können diese Ansätze mithilfe realistischer Verteilnetzmodelle bewertet werden?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Effiziente Implementierung bestehender Methoden mit Python- oder Julia
- Evaluation der Methoden mithilfe realistischer Modelle von Verteilnetzen
| - Programmierkenntnisse in Python/Julia
| Christoph Goebel christoph.goebel@tum.de | 09/2024 |
ELECROTHERMAL_DEMAND | Containerisierte Implementierung eines integrierten elektrothermischen Energiebedarfsmodells für Gebäude Forschungsmethode: Prototyping Forschungsfrage: - Wie kann Strom- und Wärmebedarf zeitgleich simuliert werden?
- Wie kann die Simulation in einem Docker-Container verpackt und über APIs gesteuert werden?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Effiziente Implementierung einer der Methoden mit Python- oder Julia
- Packaging des Codes in einem Docker-Container und Evaluation anhand von EMS-Anwendungsfällen
| - Programmierkenntnisse in Python/Julia
| Christoph Goebel christoph.goebel@tum.de | 09/2024 |
MULTI_PERIOD_OPF | Berechnung des multiperiodischen optimalen Leistungsflusses in Verteilnetzen Forschungsmethode: Prototyping Forschungsfrage: - Welche Methoden können verwendet werden, um den multiperiodischen optimalen Leistungsfluss in Verteilnetzen zu berechnen?
- Wie skalieren diese Methoden für unterschiedliche Verteilnetzgrößen?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Formulierung des mathematischen Optimierungsproblems
- Entwicklung von effizientem Python- oder Julia-Code unter Verwendung modernster Methoden zur Lösung des Problems
- Bewertung der Lösungsmethode anhand realistischer Verteilnetze mit Solarenergie, Last und Speicher
| - Programmierkenntnisse in Python/Julia
| Christoph Goebel christoph.goebel@tum.de | 09/2024 |
PINN_LOADFLOW | Benchmarking von physik-informierten neuronalen Netzen für die Lastflussberechnung in Verteilnetzen Forschungsmethode: Prototyping Forschungsfrage: - Wie kann die Methode der physik-informierten neuronalen Netze zur Berechnung von Lastflüssen in Stromverteilungssystemen genutzt werden?
- Wie schneiden diese Methoden im Vergleich zu herkömmlichen numerischen Optimierungsmethoden ab?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Effiziente Implementierung einer der Methoden mit Python- oder Julia
- Vergleich des PINN-basierten Ansatzes mit numerischer Optimierung hinsichtlich Qualität und Lösungsgeschwindigkeit
| - Programmierkenntnisse in Python/Julia
- Erste Erfahrungen mit Deep Learning
| Christoph Goebel christoph.goebel@tum.de | 09/2024 |
BAT_AGE_PRED | Machine-Learning-basierte Vorhersage der Batteriealterung Forschungsmethode: Prototyping Forschungsfrage: - Wie kann die Alterung von Lithium-Ionen-Batterien mithilfe von ML-Modellen vorhergesagt werden?
- Wie performant sind ML-Modelle verglichen mit anderen Verfahren?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Entwicklung eines effizienten Python-Programms, das verschiedene ML-Modelle auf Batteriealterungsdaten anpasst
- Benchmarking der entwickelten Verfahren
| - Programmierkenntnisse in Python/Julia
- Erste Erfahrungen mit Deep Learning
| Christoph Goebel christoph.goebel@tum.de | 09/2023 |
RC_MODELS | R-C Modelle zur Simulation des thermischen Verhaltens von Gebäuden Forschungsmethode: Prototyping Forschungsfrage: - Wie kann eine leicht zu verwendende Python-Bibliothek zur Nutzung von R-C-Modellen für die Wärmeübertragung in Gebäuden entwickelt werden?
- Wie kann man diese Modelle nutzen, um das dynamische thermische Verhalten von Gebäuden zu simulieren?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Entwicklung eines effizienten Python-Programms, welches das dynamische thermische Verhalten von Gebäuden simuliert
- Benchmarking des entwickelten Verfahrens mithilfe von Testszenarien, die Steuerung beinhalten
| - Programmierkenntnisse in Python/Julia
| Christoph Goebel christoph.goebel@tum.de | 09/2023 |
RC_MODEL_FITTING | EnergyPlus für R-C-Modelle Forschungsmethode: Prototyping Forschungsfrage: - Wie können R-C-Modelle auf Basis von EnergyPlus-Simulationsdaten approximiert werden?
- Wie effektiv und effizient ist dieser Ansatz?
Mögliches Vorgehen: - Mit EnergyPlus umgehen lernen
- R-C-Modelle verstehen und nutzen können
- Entwicklung eines effizienten Python-Programms, um R-C-Modelle auf Output-Daten von EnergyPlus anzupassen
- Methode evaluieren
| - Programmierkenntnisse in Python/Julia
| Christoph Goebel christoph.goebel@tum.de | 09/2023 |
PINN_STATE_ESTIMATION | Benchmarking von physik-informierten neuronalen Netzen für die Zustandsschätzung in Verteilnetzen Forschungsmethode: Prototyping Forschungsfrage: - Wie kann die Methode der physik-informierten neuronalen Netze genutzt werden, um den Zustand von Stromverteilungssystemen vorherzusagen?
- Wie schneiden diese Methoden im Vergleich zu herkömmlichen numerischen Optimierungsmethoden ab?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Effiziente Implementierung einer der Methoden mit Python- oder Julia
- Vergleich des PINN-basierten Ansatzes mit numerischer Optimierung hinsichtlich Qualität und Lösungsgeschwindigkeit
| - Programmierkenntnisse in Python/Julia
- Erste Erfahrungen mit Deep Learning
| Christoph Goebel christoph.goebel@tum.de
| 09/2024 |
| WPF_USECASES | Identifizierung von Anwendungsfällen für ultra-kurzfristige Windkraftprognosen Forschungsmethode: Literaturrecherche Im Energiebereich gibt es mehrere offene Datenplattformen, aber keine scheint besonders erfolgreich zu sein und tatsächlich eine große Nutzerbasis anzuziehen. In anderen Bereichen feiern Plattformen wie "Hugging Face" großen Erfolg und beschleunigen tatsächlich die Forschung in ihrem Bereich. Forschungsfrage: - Wer sind die Stakeholder für ultra-kurzfristige (<1h) Windkraftprognosen?
- In welchen Anwendungen werden ultra-kurzfristige Windkraftprognosen benötigt?
- Wie kann der Nutzen der Verbesserung von Windkraftprognosen in diesen Anwendungen quantifiziert werden?
Mögliches Vorgehen: - Umfassende Literaturrecherche zu Themen wie z. B. Energiemärkte, Handel mit Windenergie, Betrieb von Windkraftanlagen usw.
- Identifizierung und Charakterisierung von praxisnahen Anwendungsfällen für ultra-kurzfristige Windleistungsprognosen.
- Vorschlag einer Methode zur Quantifizierung des Werts von Windleistungsprognosen in zwei bis drei der identifizierten Anwendungsfälle.
|
- Neugierde für Windenergie und Energiemärkte
- Strukturierte Arbeitsweise
| Annika Schneider a.k.schneider@tum.de | 09/2024 |
| WPF_BENCH | Benchmarking von Methoden zur Windkraftprognose Forschungsmethode: Literaturrecherche (& Prototyping) Forschungsfrage: - Wie werden Windkraftprognosemodelle in aktuellen Studien bewertet?
- Wie kann ein faires und nutzerfreundliches Benchmarking-Framework für Windkraftprognosemodelle eingerichtet werden?
Mögliches Vorgehen: - Identifizierung von aktuellen Windkraftprognosemodellen
- Ermittlung der heutigen Ansätze zur Bewertung neuer Windkraftprognosemodelle
- Vorschlag (und Implementierung) eines Benchmarking-Frameworks für Windkraftprognosemodelle
| - Neugierde für Windenergie
- Großes Interesse an Deep-Learning-Methoden zur Zeitreihenprognose
- Strukturierte Arbeitsweise
- Optional: Grundlegende Python-Kenntnisse
| Annika Schneider a.k.schneider@tum.de | 09/2024 |
COMP_ENERGY | Bewertung der Wirkung von Machine Learning Rechnung auf Energienutzung Forschungsmethode: Literaturrecherche / Prototyping Forschungsfrage: - Wie wird die Energieabschätzung von Berechnungen üblicherweise gemacht in der Forschung? Wie vergleichen sich die Methoden?
- Für ML-Anwendungen bedeutet schnelleres Training immer eine energiesparendere Lösung, oder gibt es andere Modell- oder Pipeline-Design Details zu berücksichtigen?
- Was sind die bekannten Python Libraries zur Messung des Energieverbrauchs von Berechnungen und was können sie alles machen?
- (Erweiterung) Können wir anhand einer dieser Libraries den Energieverbrauch eines oder mehrerer ML-Modelle im EMT-Kontext benchmarken und vergleichen? (z. B. Vorhersage von Solar- oder Windenergie)
Möglicher Ansatz:
| Interesse an Rechnerenergie Interesse an ML und Computerarchitekturen Grundlegende Python-Kenntnisse | Ehimare Okoyomon
e.okoyomon@tum.de | 04/2024 |
GRID_TARIFF | Vergleich des Einflusses verschiedener variabler Netzentgelte Forschungsmethode: Literaturrecherche Forschungsfrage: - Welche Möglichkeiten zur Gestaltung variabler Netzentgelte gibt es?
- Welche Auswirkungen haben die einzelnen variablen Netzentgelte auf die Netzauslastung und die Wirtschaftlichkeit für Endverbraucher?
Mögliches Vorgehen: - Identifizierung unterschiedlicher variabler Netzentgelte
- Identifizierung der Vor- und Nachteile der einzelnen variablen Netzentgelte
- (Entwicklung neuer Möglichkeiten variabler Netzentgelte)
|
| Elgin Kollnig
elgin.kollnig@tum.de | 09/2024 |
FED_HOU | Federated machine learning für die Vorhersage der Haushaltslast Forschungsmethode: Prototyping Forschungsfrage: - Können wir die Haushaltslast prognostizieren, ohne sensible Daten eines Haushalts zu sehen?
- Welche Prognosemodelle eignen sich für eine föderierte Umgebung?
Mögliches Vorgehen: - Literaturüberprüfung zur föderierten Prognose
- Finden und vor-verarbeiten geeigneter Datensätze
- Aufbau einer föderierten Prognose-Pipeline
- Vergleich der Ergebnisse mit nicht-federated Vorhersagemethoden
| - Programmierkenntnisse in Python
- Grundkenntnisse in Statistik/ML
| Jan Marco Ruiz de Vargas
janmarco.ruiz@tum.de
| 04/2024 |
COR_ENCR | Forschungsthema: Schnelle Berechnung von Korrelationsmaßen mit homomorpher Verschlüsselung Forschungsmethode: Modellierung Forschungsfrage: - Können zwei Parteien, die jeweils einen Datenvektor besitzen, gemeinsam ein Korrelationsmaß berechnen, ohne ihre privaten Daten einander preiszugeben?
- Können wir ein (teilweise/vollständig) homomorphes Verschlüsselungsschema entwickeln, um verschiedene Korrelationsmaße zu berechnen?
- Wie schnell kann dieses Schema sein?
Möglicher Ansatz: - Homomorphe Verschlüsselung verstehen
- Korrelationsmaße verstehen
- Kommunikations- und Berechnungsprotokoll modellieren
|
| Jan Marco Ruiz de Vargas janmarco.ruiz@tum.de | 09/2024 |
SINDY_BAT | ----This topic is only available in English---- SINDy (Sparse Identification of Nonlinear Dynamical Systems)-based Battery Aging Model Research method: Prototyping Research question: - How to implement SINDy to formulate battery aging problem?
- How to design the a feature library theta for SINDy model, and how different could the results be?
- How does the SINDy model perform comparing to other battery aging model (e.g. NNs / other symbolic regression model etc..)?
Possible approach: - Literature review on SINDy and battery aging prediction
- Implement SINDy model and train with existing dataset
- Compare the results with the existing battery aging model.
| - Programming skills in Python
- Basic ML and/or Battery aging knowledge
| Sheng Yin
sheng.yin@tum.de | 09/2024 |
| MARL_EMS | ----This topic is only available in English---- Multi Agent Reinforcement Learning (MARL) for Power Split Control Research method: Prototyping Research question: - How can MARL solve power split control problem?
- Can MARL out-perform centralized RL?
Possible approach: - Literature review on MARL and RL in power split control
- Build RL and MARL environment for Power split Control
- Implement Basic RL and MARL algorithm to compare the results
| - Programming skills in Python
- Basic ML and/or RL knowledge
| Sheng Yin
sheng.yin@tum.de | 09/2024 |