| Akronym | Thema
(Kurzbeschreibung) | Anforderungen | Kontaktperson |
|---|
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 |
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 |
HYDROGEN_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 |
DEEP_WIND | Bewertung von Deep Learning für Windkraftvorhersage Forschungsmethode: Prototyping Forschungsfrage: - Wie kann Deep Learning für die Windkraftvorhersage angewendet werden?
- Wie schneidet Deep Learning im Vergleich zu anderen Methoden ab?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Sammlung und Aufbereitung von Trainingsdaten
- Entwicklung eines effizienten Python-Programms zum Trainieren von DL-Modellen
- Evaluation verschiedener Methoden, insb. den besten Methoden aus der Literatur
| - Programmierkenntnisse in Python
| Christoph Goebel christoph.goebel@tum.de |
LEM_GRID_CONSTRAINTS | Auswirkung lokaler Energiemärkte auf Verteilnetzstabilität Forschungsmethode: Prototyping Forschungsfrage: - Wie kann die Auswirkung lokaler Energiemärkte auf die Verteilnetzstabilität gemessen werden?
- Welche Mechanismen können eingeführt werden, um Stabilitätsprobleme zu verhindern?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Entwicklung eines effizienten Python-Programms um einfache LEM Szenarien inklusive Verteilnetz zu simulieren
- Entwicklung eines einfachen Mechanismus zur Vermeidung und Bewertung von Stabilitätsproblemen
| - Programmierkenntnisse in Python
| Christoph Goebel christoph.goebel@tum.de |
DL_DG_ESTIMATION | Deep Learning basierte Schätzung von Verteilnetzzuständen Forschungsmethode: Prototyping Forschungsfrage: - Wie kann Deep Learning für die Schätzung von Verteilnetzzuständen angewendet werden?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Entwicklung eines effizienten Python-Programms, das Deep Learning für die Schätzung von Verteilnetzzuständen nutzt
- Benchmarking des entwickelten Verfahrens mithilfe von Testszenarien
| - Programmierkenntnisse in Python
- Erste Erfahrungen mit Deep Learning
| Christoph Goebel christoph.goebel@tum.de |
DYN_BAT_AGE_PRED_CONTROL | Integration einer dynamische Alterungsvorhersage für Li-Ion Batterien in EMS-Regler Forschungsmethode: Prototyping Forschungsfrage: - Wie kann der Alterungsprozess von Li-Ion Batterien für den Einsatz in der Regelung modelliert werden?
- Wie können solche Modelle in dynamische Regler integriert werden?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Entwicklung eines effizienten Python-Programms, das eine Batteriealterungsmodell für die Regelung nutzt
- Benchmarking des entwickelten Verfahrens
| - Programmierkenntnisse in Python
| Christoph Goebel christoph.goebel@tum.de |
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
| Christoph Goebel christoph.goebel@tum.de |
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
| Christoph Goebel christoph.goebel@tum.de |
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
| Christoph Goebel christoph.goebel@tum.de |
| LAB_PSIM | Analyse von Stabilitätsproblemen bei Lastsimulatoren Forschungsmethode:Literaturrecherche Forschungsfrage: Mögliches Vorgehen: Literaturrecherche zu verschiedenen Lastsimulationsverfahren in Power-Hardware-in-the-Loop (PHIL) Laboren Literaturrecherche zu bekannten Instabilitäten bei den verwendeten Technologien ODER Analyse der recherchierten Komponenten auf mögliche Instabilität mit Minimalmodellen Bewertung der Ergebnisse
| Solides Verständnis von Systemstabilität und leistungselektronischen Komponenten | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
| PV_AGING | Alterungsbewusste Systemwirkungsgradmodellierung einer Photovoltaikanlage Forschungsmethode: Prototyping Forschungsfrage: Wie kann der Wirkungsgrad einer PV Anlage auf dem Institutsdach basierend auf Messwerten und Wetterdaten modelliert werden? Welche Rückschlüsse auf das Alter der Anlage können darauf basierend gezogen werden?
Mögliches Vorgehen: Literaturrecherche zu Modellierung von Wirkungsgraden realer PV Systeme insbesondere im Hinblick auf Alterung Berechnung der Wirkungsgradverläufe basierend auf gemessenen Zeitreihen sowie geloggten Wetterdaten aus der Region Analyse der Wirkungsgradverläufe im Hinblick auf Systemalterung und Nenndaten der Komponenten
| Grundlegende Python-Programmierkenntnisse | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
| FMI_RT | Echtzeitmodellierung von Functional Mockup Units
Forschungsmethode: Prototyping Forschungsfrage: Wie können Functional Mockup Units ((FMU) am besten in ein Echtzeit-Simulationsframework (HELICS) eingebunden werden? Wie können basierend darauf skalierbare Simulationsumgebungen einfach aufgesetzt werden?
Mögliches Vorgehen: Recherche zu FMU und HELICS sowie Echtzeitsimulation von Energiesystemen Definition von zu nutzender Programmiersprache und Setup des Hochsprachen-Interface zwischen FMU (vorhanden) und HELICS sowie des skalierbaren HELICS Setup - Funktionstest und Ablauf von exemplarischer Echtzeitsimulation
| Grundlegende Programmierkenntnisse (Julia oder Python) | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
| HH_Control | Steuerbare Haushaltsmodelle
Forschungsmethode: Prototyping Forschungsfrage: Wie können Haushalte sowie insbesondere die Steuerungsmöglichkeiten, die ein Energiemanagementsystem (EMS) hat, modelliert werden? Wie können in einem Modell verschiedene Eingriffsmöglichkeiten modelliert werden, ohne das Modell für einen neuen Einsatzzweck anpassen zu müssen? - Wie kann das Modell aufgebaut werden, um später einzelne detaillierte Modelle (z.B. Wärmepumpenmodelle) mit aufzunehmen?
Mögliches Vorgehen: | Grundlegende Programmierkenntnisse (Julia oder Python) | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
| EMS_COMP | Vergleich von OpenSource EMS Frameworks Forschungsmethode:Literaturrecherche Forschungsfrage: Mögliches Vorgehen: Literaturrecherche zu verschiedenen EMS Frameworks Analyse der verschiedenen Vor- und Nachteile der Systeme Erstellung eines kompakten Leitfadens, welches System für welchen Anwendungsfall geeignet wäre.
| Grundverständnis von EMS | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
DIST_LEMLAB | Verteilte Implementierung von lemlab Hintergrund: lemlab ist ein Simulations-Tool für lokale Energiemärkte, der Quellcode ist frei verfügbar Forschungsmethode: Prototyping Forschungsfrage: - Wie kann lemlab mit Hilfe von Clustertechnologie verteilt implementiert werden, um es skalierbar zu machen?
Mögliches Vorgehen: | Gute Programmierkenntnisse, Idealerweise Vorwissen über Docker und Kubernetes | Christoph Goebel christoph.goebel@tum.de
|
COMP_HH_ENERGY_SIM | Containerisierung und Vergleich von Simulations-Tools für die Energienachfrage von Haushalten Forschungsmethode: Prototyping Forschungsfragen: - Wie können verschiedene Simulations-Tools für die Energienachfrage von Haushalten für die Nutzung in verteilten Umgebungen containerisiert werden?
- Wie können diese Tools in Bezug auf Genauigkeit und Rechenaufwand miteinander verglichen werden?
Mögliches Vorgehen: - Analyse bestehender Tools für die Simulation der Energienachfrage von Haushalten
- Implementierung ausgewählter Tools in Docker-Containern mit einheitlichen Schnittstellen
- Implementierung einer Lösung zum Vergleich von Genauigkeit und Rechenaufwand
| Programmierkenntnisse, Idealerweise Vorwissen über Docker | Christoph Goebel christoph.goebel@tum.de |
| DATA_PLATFORM | Datenplattformen und ihr Weg zum Erfolg 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: - Welche Daten-/Code-Plattformen sind am erfolgreichsten?
- Wie haben sich diese Plattformen entwickelt?
- Wie sind sie erfolgreich geworden?
Mögliches Vorgehen: - Gründliche Literaturrecherche zu den erfolgreichsten Plattformen und ihren Geschichten
- Identifikation von "Erfolgsstrategien" von Plattformen
| - Neugier auf Erfolgsgeschichten von Plattformen
- Strukturierte Arbeitsweise
| Annika Schneider a.k.schneider@tum.de |
| LDM | TUM-EMT x Leibniz - Wird der Leibniz-Datenmanager unser Forschungsdatenmanagement revolutionieren? Forschungsmethode: Literaturrecherche & Prototyping Forschungsfrage: - Was sind die Merkmale des Leibniz-Datenmanagers?
- Was sind seine Grenzen?
- Wie kann das Potenzial des Leibniz-Datenmanagers gemessen und bewertet werden?
Möglicher Ansatz: - Literaturrecherche zum Forschungsdatenmanagement
- Testen und Auswerten des Leibniz-Datenmanagers
| - Leidenschaft für Daten
- Strukturiertes Arbeiten
| Annika Schneider a.k.schneider@tum.de |
| ML_POWERFLOW | KI basierte Lasflussrechnung Forschungsmethode:Literature Review Forschungsfrage: Möglicher Ansatz: Literaturrecherche zu KI-gestützen Lasflussberechnungsmethoden, inklusive Graph Neural Networks (GNN) Identifikation von Stärken und Schwächen der jeweiligen Technologien Vergleich dieser, mit Fokus auf Präzision der Ergebnisse und Effizienz der Berechnung
| Interesse an Literaturrecherche und vertieftem Verständnis der Berechnung von Lastflüssen | Sebastian Eichhorn
sebastian.eichhorn@tum.de |
| PINN_SIM | Physics Informed Neural Networks (PINN) zur Berechnung von transienten Netzsimulationen Forschungsmethode: Literature Review/Prototyping Forschungsfragen: Sind PINN eine realistische Möglichkeit, um zukünftig transiente Netzsimulationen zu berechnen? Was sind Vor- und Nachteile gegenüber konventionellen Solvern?
Möglicher Ansatz: Literaturrecherche betreffend PINN in der transienten Netzsimulation Aufbau eines kleinen Prototypen basierend auf öffentlich zugänglichen Repositories Vergleich des Prototyps mit konventionellen Solvern im Hinblick auf Genauigkeit und Berechnungseffizienz
| Tiefgreifendes Verständnis von Maschine Learning Technologien, Stromnetzsimulationen und fortgeschrittene Python-Kenntnisse | Sebastian Eichhorn
sebastian.eichhorn@tum.de |
EMS_COMM | Bewertung der Kommunikation der Next-Generation EMS Forschungsmethode: Literaturrecherche Forschungsfrage: Möglicher Ansatz: - Literaturrecherche zu den Problemen im Zusammenhang mit älteren Kommunikationsstandards für EMS (Modbus, MQTT, HTTP, OCPP für Elektrofahrzeuge usw.)
- Literaturrecherche zu den Standards von EEBUS und Matter
- Zusammenfassungen ihrer Design, Vorteile, Einschränkungen und Anwendungsfälle
- Recherche zu Produkten und Organisationen, die bereits jede Methode verwenden
- Entwicklung von Richtlinien und Leitfaden, die beschreiben wann welche Methode zu verwenden ist
| Interesse an Energiemanagementsystemen, IoT oder dezentralen Energiesystemen | Ehimare Okoyomon
e.okoyomon@tum.de |
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 |
|
IMPL_HP | Implementierung eines Papers mit Wärmepumpen-Modell und thermischen Speicher Forschungsmethode: Prototyping 
Forschungsfrage: - Wie kann MILP praktisch genutzt werden um Wärmepumpen in Auslegung und Betrieb zu optimieren?
- Lassen sich die Ergebnisse des Papers mit öffentlichen Daten reproduzieren?
Mögliches Vorgehen: | - Programmierkenntnisse in Python
- Kenntnisse in linearer Optimierung hilfreich
| Elgin Kollnig
elgin.kollnig@tum.de
Simon Zollner
simon.zollner@tum.de
|
IMPL_AGING | Implementierung verschiedener Batterie-Alterungsmodelle in einem Energiemanagement-System Forschungsmethode: Prototyping 
Forschungsfrage: - Wie können verschiedene Batterie-Alterungsmodelle fair verglichen werden?
- Wie können Ansätze aus der Literatur implementiert und prototypen-basiert und reproduzierbar miteinander verglichen werden?
Mögliches Vorgehen: | - Programmierkenntnisse in Python
- Kenntnisse in linearer Optimierung
- Interesse an Batterien
| Elgin Kollnig
elgin.kollnig@tum.de
Simon Zollner
simon.zollner@tum.de
|
COMP_LOAD | Vergleich verschiedener Methoden zur Haushaltslastvorhersage Forschungsmethode: Literaturrecherche/Prototyping Forschungsfrage: - Wie unterscheiden sich verschiedene Methoden der Lastvorhersage hinsichtlich ihrer Genauigkeit und Anwendbarkeit?
- Wie unterscheiden sich die Laufzeiten der einzelnen Methoden?
Mögliches Vorgehen: - Identifizierung verschiedener Ansätze zur Lastvorhersage
- Auswahl und Implementierung verschiedener Methoden
- Bewertung der Genauigkeit der verschiedenen Methoden anhand geeigneter Metriken
- Vergleich der ausgewählten Methoden mit naiven Benchmarks
| - Programmierkenntnisse in Python
- Interesse an Forecasting
| Elgin Kollnig
elgin.kollnig@tum.de |
FLEXI_QUANT | Quantifizierung von Flexibilität Forschungsmethode: Literaturrecherche Forschungsfrage: - Wie kann die Flexibilität von Haushalten quantifiziert werden?
- Welche Faktoren haben einen Einfluss auf die Flexibilität?
Mögliches Vorgehen: - Identifizierung relevanter Literatur
- Vergleich verschiedener Quantifizierungsansätze für Flexibilität
- Identifizierung möglicher Einflussfaktoren
- (Entwickelung neuer Methoden zur Quantifizierung)
|
| Elgin Kollnig
elgin.kollnig@tum.de |
FLEXI_PRICE | Bepreisung von Flexibilität Forschungsmethode: Literaturrecherche Forschungsfrage: - Wie kann die zur Verfügung gestellte Flexibilität von Haushalten bepreist werden?
- Welche Parallelen können zu Regelenergiemärkten gezogen werden?
Mögliches Vorgehen: - Identifizierung unterschiedlicher Bepreisungsmöglichkeiten der Flexibilität
- Identifizierung der Vor- und Nachteile der einzelnen Bepreisungsmöglichkeiten
- (Entwickelung neuer Möglichkeiten der Flexibilitätsbepreisung)
|
| Elgin Kollnig
elgin.kollnig@tum.de |
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
|
Kommentar hinzufügen