| Acronym | Thema
(Kurzbeschreibung) | Anforderungen | Group Work Possible
(Group of 2) | Kontaktperson | Zeit des Eintrags |
|---|
FLEX_PROD | Nutzung von Flexibilität in Produktionssystemen im Energiemanagement
Forschungsmethode: Prototyping
Forschungsfragen:
- Wie kann die Flexibilität in Produktionssystemen (z. B. Maschinen langsamer oder schneller laufen lassen) genutzt werden, um das Energiemanagement zu verbessern (z. B. Kosten zu senken durch Nutzung lokal erzeugten Solarstroms oder Anpassung des Verbrauchs an dynamische Tarife)?
- Wie lassen sich entsprechende Optimierungsprobleme formulieren und lösen?
- Wie können verschiedene Optimierungsmethoden vergleichend bewertet werden?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik
- Definition von Optimierungsszenarien (z. B. basierend auf Anwendungsfällen aus der Literatur)
- Entwicklung effizienter Python- oder Julia-Implementierungen für eine Optimierungsmethode
- Benchmarking der Optimierungsmethode mit Basis-Szenarien
| - Programmierkenntnisse in Python/Julia
| Nein | Christoph Goebel christoph.goebel@tum.de | 09/2025 |
EMSX_EXT | Erweiterung des Benchmarking-Frameworks EMSx für Energiemanagement
Forschungsmethode: Prototyping
Forschungsfragen (Auswahl möglich):
- Wie kann EMSx erweitert werden, um anspruchsvollere Modellierungsfähigkeiten zu integrieren (z. B. ähnlich wie OCHRE)?
- Wie kann EMSx so erweitert werden, dass andere Datensätze und höhere zeitliche Auflösung genutzt werden können?
- Wie kann EMSx erweitert werden, um das Benchmarking von Reinforcement-Learning-Algorithmen zu ermöglichen?
Möglicher Ansatz: - Studium des bestehenden EMSx-Frameworks und Codes (in Julia)
- Entwicklung effizienter Julia-Implementierungen für ausgewählte Erweiterungen
- Evaluation der Erweiterungen anhand realer Daten
| - Ideal wären Programmierkenntnisse in Julia
- Grundlagenverständnis in Optimierung
| ja | Christoph Goebel christoph.goebel@tum.de | 03/2025 |
DIST_GRID_GEN_MAPS | Kartenbasierte Methoden zur Generierung von Verteilnetzen Forschungsmethode: Prototyping Forschungsfragen: - Wie können realistische Verteilnetzmodelle auf Basis von Kartendaten synthetisiert werden?
- Wie lassen sich die synthetisierten Verteilnetzmodelle evaluieren
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik
- Entwicklung effizienter Python- oder Julia-Implementierung einer Methode zur Erzeugung von Verteilnetzen
- Evaluation der Methode anhand tatsächlicher Daten
| - Programmierkenntnisse in Python/Julia
- Verständnis von Verteilnetzmodellierung
| ja | Christoph Goebel christoph.goebel@tum.de | 09/2025 |
ESPARX_LOAD_FC | Verwendung von e-SparX zur Entwicklung von Lastprognosemodellen Forschungsmethode: Prototyping Forschungsfragen: - Wie kann e-SparX zur Entwicklung von Lastprognosemodellen verwendet werden und wie lässt sich dies transparent und teilbar gestalten?
- Wie kann e-SparX erweitert und verbessert werden, um nützlicher und benutzerfreundlicher zu sein?
Möglicher Ansatz: - Literaturrecherche zum Stand der Lastprognose
- Untersuchung der aktuellen e-SparX-Implementierung
- Entwicklung effizienter Python- oder Julia-Code für verschiedene Solarleistungs-Prognosemodelle
- Teilen der vollständigen ML-Pipelines mit e-SparX
- Vorschlag neuer e-SparX-Funktionen und optional deren Implementierung
| - Programmierkenntnisse in Python
| Ja | Christoph Goebel christoph.goebel@tum.de | 09/2025 |
ESPARX_SOLAR_FC | Verwendung von e-SparX zur Entwicklung von Solarprognosemodellen Forschungsmethode: Prototyping Forschungsfragen: - Wie kann e-SparX verwendet werden, um Solarleistungsprognosemodelle zu entwickeln und diese transparent und teilbar zu machen?
- Wie kann e-SparX erweitert und verbessert werden, um nützlicher und benutzerfreundlicher zu sein?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik der Solarprognose
- Untersuchung der aktuellen Implementierung von e-SparX
- Entwicklung effizienter Python- oder Julia-Code für verschiedene Solarleistungsprognosemodelle
- Teilen der vollständigen ML-Pipelines mit e-SparX
- Vorschlag und eventuell Implementierung neuer e-SparX-Features
| - Programmierkenntnisse in Python
| Ja | Christoph Goebel christoph.goebel@tum.de | 09/2025 |
SOLAR_POWER_FC | Probabilistische Solar-PV-Leistungsprognose Forschungsmethode: Prototyping Forschungsfragen: - Wie kann die Solar-PV-Leistung probabilistisch über verschiedene Zeiträume (innerhalb der Stunde, Tagesverlauf, Day-Ahead) prognostiziert werden?
- Wie lassen sich entsprechende Methoden implementieren und benchmarken?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik
- Entwicklung effizienter Python- oder Julia-Code zur Implementierung probabilistischer Prognosemethoden
- Evaluation der Methoden mit realen Daten
| - Programmierkenntnisse in Python/Julia
| ja | Christoph Goebel christoph.goebel@tum.de
| 03/2025 |
RE_FC_ECON_IMPACT | Ökonomische Auswirkungen von Prognosefehlern bei erneuerbaren Energie Forschungsmethode: Prototyping Forschungsfragen: - Wie lässt sich der ökonomische Einfluss von Prognosefehlern erneuerbarer Energie beurteilen?
- Wie viel Geld kann ein Windpark einsparen durch Verbesserung seiner Prognose?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik
- Entwicklung effizienter Python- oder Julia-Programmierung zur Umsetzung einer Bewertungsmethode
- Evaluation der Methode anhand realer Daten
| - Programmierkenntnisse in Python/Julia
- Verständnis von Elektrizitätsmärkten
| ja | Christoph Goebel christoph.goebel@tum.de | 03/2025 |
DEEP_NILM | Deep Learning für die Deaggregation von Strommessungen Forschungsmethode: Prototyping Forschungsfragen: - 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
| ja | Christoph Goebel christoph.goebel@tum.de | 09/2023 |
DEEP_HEAT | Deep Reinforcement Learning zur optimalen Steuerung der Wärmeversorgung in Gebäuden Forschungsmethode: Prototyping Forschungsfragen: - 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
| ja | Christoph Goebel christoph.goebel@tum.de | 09/2023 |
LOW_VOLT_LOAD_FC | Probabilistische Lastprognose im Niederspannungsnetz Forschungsmethode: Prototyping Forschungsfragen: - Welche Methoden existieren für die Prognose der Last im Niederspannungsnetz über verschiedene Zeithorizonte (intra-hour, intra-day, day-ahead)?
- Welche Vorteile bietet eine globale Prognose?
- Wie können verschiedene Modelle fair mit öffentlichen Datensätzen verglichen werden?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik
- Entwicklung eines effizienten Python-Codes zur Schulung von Modellen mit öffentlichen Lastdatensätzen
- Evaluation der Leistung durch Benchmarking gegenüber in der Literatur beschriebenen Methoden
| - Programmierkenntnisse in Python
| nein | Christoph Goebel christoph.goebel@tum.de | 09/2025 |
LOCAL_ENERGY_TRADING | Lokaler Energiehandel unter Netzbeschränkungen Forschungsmethode: Prototyping Forschungsfragen: - Wie können Prosumer Energie lokal handeln, ohne die physikalischen Netzbeschränkungen des Verteilnetzes zu verletzen?
- Welche Ansätze existieren bereits, und auf welchen Annahmen beruhen sie?
- Wie lassen sich diese Ansätze anhand realistischer Verteilnetzmodelle benchmarken?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik
- Entwicklung effizienter Python- oder Julia-Implementierungen bestehender Methoden
- Evaluation der Methoden anhand realistischer Modelle von Verteilnetzen
| - Programmierkenntnisse in Python/Julia
| nein | Christoph Goebel christoph.goebel@tum.de | 09/2024 |
MULTI_PERIOD_OPF | Berechnung des multiperiodischen optimalen Leistungsflusses in Verteilnetzen Forschungsmethode: Prototyping Forschungsfragen: - 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
| ja | 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
| ja | 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
| ja | 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
| ja | Christoph Goebel christoph.goebel@tum.de | 09/2023 |
| ANN_OPF | ----This topic is only available in English---- Power Grids ANN-based Optimal Power Flow Research method: Prototyping Research question: - What model design is suitable for improving ANNs optimal power flow predictions?
- What training approaches are suitable for maintain predictions feasibility and optimality?
Possible approach: - Understand state-of-the-art based on literature
- Implement ANN model for optimal power-flow prediction
- Benchmark results against SOTA ANNs
| - Programming skills in Python
| yes | Arbel Yaniv arbel.yaniv@tum.de | 09/2025 |
| ROPF_DATA | ----This topic is only available in English---- Generating Representative AC-OPF Datasets Research method: Prototyping Research question: - How to systematically generate representative AC OPF datasets that span the feasible region?
- How to measure the generated data level of representativeness?
Possible approach: - Understand state-of-the-art based on literature
- Enhance existing state-of-the-art methods to increase level of representativeness
- Benchmark against dataset generated with SOTA approaches
| - Python programming skills
| yes | Arbel Yaniv arbel.yaniv@tum.de | 03/2025 |
| NILM_AL | ----This topic is only available in English---- Non-Intrusive Load Monitoring with Active Learning Research method: Prototyping Research question: - What is the impact of different acquisition functions on the performance of appliances disaggregation?
- What is the best fine-tuning approach, both layer-wise and sample-wise?
Possible approach: - Understand state-of-the-art based on literature
- Leverage scikit-activeml to analyse different active-learning approaches for NILM
- Try different fine-tuning experimental setups
| - Python programming skills
| yes | Arbel Yaniv arbel.yaniv@tum.de | 09/2025 |
| GNN_SE | ----This topic is only available in English---- Power Grids GNN-based State Estimation Research method: Prototyping Research question: - What training procedures potentially improve GNNs state estimation predictions?
- What architectures design potentially improve GNNs state estimation predictions?
Possible approach: - Understand state-of-the-art based on literature
- Enhance state-of-the-art GNN model for power grid state estimation
- Benchmark results against SOTA ANNs
| - Python programming skills
| yes | Arbel Yaniv arbel.yaniv@tum.de | 09/2025 |
| MARL_COOP_OPT | Kooperative Steuerung von Energiesystemen mit Multi-Agent Reinforcement Learning Forschungsmethode: Prototyping Forschungsfragen: - Wie kann ein kooperativer MARL-Rahmen entworfen werden, um Prognosemodelle und Batterie-Dispatch-Strategien simultan zu optimieren?
- Welche Agentenkonfigurationen und Belohnungsstrukturen sind am effektivsten, um systemweite ökonomische Ziele zu erreichen?
- Wie verhält sich dieser kooperative MARL-Ansatz im Vergleich zu dezentralen oder traditionellen, getrennten Optimierungsansätzen?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik in MARL für Energiesysteme und forecast-aware Steuerung
- Entwicklung einer Simulationsumgebung für ein System mit PV/Last-Profilen, Batterie und Marktpreisen
- Implementierung und Training eines kooperativen MARL-Algorithmus, bei dem Agenten (z. B. ein Prognoseagent und ein Batterie-Steuerungsagent) zusammenarbeiten
- Benchmarking des MARL-Ansatzes gegenüber relevanten Baselines
| - Programmierkenntnisse in Python
- Erste Erfahrungen mit (Deep) Reinforcement Learning sind sehr empfohlen
| ja | Manuel Katholnigg manuel.katholnigg@tum.de | 09/2025 |
| ECON_FC | Entscheidungsbewusste Prognosen für den optimalen Betrieb von Energiesystemen Forschungsmethode: Prototyping Forschungsfragen: - Wie können Prognosemodelle für PV-Erzeugung oder Stromlast optimiert werden, um ökonomische Leistung anstelle rein statistischer Genauigkeit zu maximieren?
- Welche Verlustfunktionen oder Trainingsrahmen können direkt die ökonomischen Konsequenzen von Prognosefehlern einbeziehen?
- Wie schneiden diese ökonomisch optimierten Prognosen in einer simulierten Betriebsumgebung (z. B. Batteriescheduling) im Vergleich zu Standardprognosen ab?
Möglicher Ansatz: - Literaturrecherche zum Stand der Technik in decision-aware Forecasting
- Definition eines ökonomischen Zieles für eine konkrete Anwendung (z. B. Minimierung der Stromkosten für einen Haushalt mit Batterie und PV-System)
- Entwicklung und Implementierung eines Prognosemodells (z. B. basierend auf ANN) unter Verwendung einer benutzerdefinierten, ökonomisch abgeleiteten Verlustfunktion
- Evaluation und Benchmarking der ökonomischen Leistung gegenüber Modellen, die mit Standardmetriken (z. B. MSE, MAE) trainiert wurden
| - Programmierkenntnisse in Python
- Erste Erfahrungen mit Deep Learning
| ja | Manuel Katholnigg manuel.katholnigg@tum.de | 09/2025 |
| PV_BAT_SZ | PV- und Batteriesizing bei begrenzten oder niedrig aufgelösten Daten Research method: Prototyping Research question: - Wie lässt sich die Dimensionierung von PV- und Batteriespeichern optimieren, wenn lediglich begrenzte oder niedrig aufgelöste Daten vorliegen?
Possible approach: - Stand der Technik aus der Literatur verstehen
- Implementierung von möglichen Ansätzen zur Verbesserung der Dimensionierung bei limitierten Daten.
| - Programmierkenntnisse in Python
| nein | Elgin Kollnig elgin.kollnig@tum.de | 09/2025 |
| HOUSE_FLEX | Probabilistische Bestimmung der Haushaltsflexibilität Research method: Literature review & Prototyping Research question: - Welche Methoden existieren zur Bestimmung der Haushaltsflexibilität, insbesondere unter Berücksichtigung probabilistischer Ansätze?
Possible approach: - Literaturrecherche zu Methoden der Haushaltsflexibilitätsbestimmung
- Analyse Methoden zur probabilistischen Bestimmung der Flexibilität
- Implementierung und Vergleich verschiedener Ansätze
| - Programmierkenntnisse in Python
| nein | Elgin Kollnig elgin.kollnig@tum.de | 09/25 |
| DOPT_P2P | Verteilte Optimierungsmethoden für P2P-Energiehandel Forschungsmethode: Literaturrecherche, Prototyping
Forschungsfragen: - Wie können verteilte Optimierungsmethoden (z. B. ADMM oder Konsensalgorithmen) entworfen werden, um schnelle Konvergenz, Skalierbarkeit und Einhaltung der Netzbeschränkungen im P2P-Energiehandel in Verteilnetzen zu gewährleisten?
Möglicher Ansatz:
- Vergleich verschiedener verteilter Optimierungsmethoden
- Untersuchung von Trade-offs zwischen Konvergenzgeschwindigkeit, Datenschutz und Genauigkeit
- Test auf kleinen IEEE-Verteilungsnetzen mit simulierten P2P-Transaktionen
| - Programmierkenntnisse in Python
| nein | Hippolyte Robin hippolyte.robin@tum.de | 09/2025 |
| BLOCKCHAIN_P2P | Blockchain-basierter P2P-Energiehandel Forschungsmethode: Literaturrecherche, Prototyping Forschungsfragen:
- Welche Blockchain-Architekturen, Konsensmechanismen und Smart-Contract-Designs wurden für P2P-Energiehandel vorgeschlagen, und wie adressieren sie Herausforderungen wie Skalierbarkeit, Sicherheit und Transaktionskosten?
Möglicher Ansatz:
- Klassifikation von Blockchain-Architekturen mit deren Kompromissen hinsichtlich Dezentralisierung, Skalierbarkeit und Governance
- Vergleich von Konsensmechanismen und Diskussion, wie jeder Energieeffizienz, Geschwindigkeit und Sicherheit handhabt
- Überprüfung der Smart-Contract-Designs (wie Trades gematcht, abgewickelt, automatisiert)
- Identifikation von Herausforderungen und Forschungslücken
| - Programmierkenntnisse in Python
| nein | Hippolyte Robin hippolyte.robin@tum.de | 09/2025 |
| LOAD_GEN | Hochauflösende Lastprofilerzeugung für Deutschland mit OCHRE
Forschungsmethode: Prototyping
Forschungsfragen: - Wie kann das fortgeschrittene Python-basierte Energiemodellierungstool OCHRE angepasst werden, um synthetische Lastprofile für deutsche Haushalte zu erzeugen?
- Wie schneiden die erzeugten Lastprofile im Vergleich mit solchen ab, die mit anderen existierenden Tools erzeugt werden (z. B. LoadProfileGenerator des FZ Jülich)?
Möglicher Ansatz:
- Analyse des OCHRE-Modellrahmens, insbesondere der Modellkonfiguration und Datenformate
- Untersuchung verfügbarer Datenquellen für deutsche Haushalte
- Entwicklung eines Workflows zur Erstellung von OCHRE-Modellen für deutsche Haushalte auf Basis öffentlich verfügbarer Daten
- Erzeugung und Analyse von Lastprofilen für ein Beispielmodell
| - Programmierkenntnisse in Python
| ja | Lennart Morlock lennart.morlock@tum.de | 09/2025 |
| LOAD_ANALYS | Analyse deutscher Last- und Erzeugungsdatensätze auf Verteilnetzebene für open-source Datensammlung
Forschungsmethode: Prototyping
Forschungsfragen: - Welche Open-Source-Datensätze sind auf Verteilnetzebene für Last und Erzeugung verfügbar?
- Wie könnten sie in die Open Data Collection Explorationsdatenanalyse (EDA) der Professur für Energiemanagementtechnologien integriert werden, um eine bessere Zugänglichkeit zu gewährleisten?
Möglicher Ansatz: - Recherche verfügbarer Open-Source-Datensätze
- Auswahl vielversprechender Kandidaten und Analyse dieser
- Dokumentation der Analyse in den EDA-Jupyter-Notebooks der Open Data Collection
| - Programmierkenntnisse in Python
| ja | Lennart Morlock lennart.morlock@tum.de | 09/2025 |