Beschreibung

  • Den Kursteilnehmer*innen werden individuelle Forschungsthemen zugewiesen, die sie während des Seminars bearbeiten. Gruppenarbeiten sind auch möglich.
  • Zur Einführung in den Kurs und die Themen wird eine Kick-off Meeting durchgeführt.
  • Anwesenheit ist nur bei den Proposal- und Abschlusspräsentationen verpflichtend
  • Zur Unterstützung der Teilnehmer*innen bei der Bewältigung der Seminaraufgaben finden regelmäßige Treffen mit den Betreuer*innen statt.

Das Seminar versucht, den Ablauf einer Konferenzveröffentlichung nachzuahmen. Daher sind folgende Leistungen zu erbringen:

  • Eine wissenschaftliches Paper (das als Seminarbericht eingereicht wird);
  • eine Abschlusspräsentation im Stil einer Konferenz.

Mehr Informationen zu ECTS, Lernzielen, etc werden bei der Kickoff-Session und später via moodle kommuniziert.

Vergabe der Themen

Nach dem Kickoff-Termin können sich die Studierenden für Themen bewerben. Hierzu müssen die Top-3 Themen und der aktuelle Transcript of Records an a.k.schneider@tum.de geschickt werden.

Organisatorischer und Zeitlicher Ablauf (Sommersemester 2024)

(Voraussichtlicher) Anmeldezeitraum: 01.03.24 - 19.04.24

Kick-off (Präsentation der verfügbaren Themen): 17.04.24, 3pm-4:30pm, Raum N3815.

Einreichungsfrist der Top 3 Themenwünsche: 19.04.24, 12 noon.

Themenvergabe: 22.04.24, spätestens 7pm.

Proposal Präsentationen: 08. & 15. Mai, 2024, 3pm-4:30pm, N3815.

Abschlusspräsentationen: 10. & 17. Juli, 2024, 3pm-4:30pm, N3815.

Aktuelle Themen


AkronymThema
(Kurzbeschreibung)                           
AnforderungenKontaktperson

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:

  • Sind Stabilitätsprobleme bei Lastsimulatoren ein Problem für Leistungslabore?

  • Welche Methoden für die Reduktion der Auswirkungen gibt es?

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:

  • Recherche zu smarten Haushalten und Eingriffsmöglichkeiten von EMS

  • Entwicklung eines Steuerungskonzepts am Beispiel von realen EMS

  • Programmierung des lauffähigen Modells und Darstellung von Standardszenarien

 

Grundlegende Programmierkenntnisse (Julia oder Python)

Sebastian Eichhorn
sebastian.eichhorn@tum.de


EMS_COMP

Vergleich von OpenSource EMS Frameworks

Forschungsmethode:Literaturrecherche

Forschungsfrage:

  • Welche (neuen) Open Source Energy Management System (EMS) Frameworks gibt es?

  • Wie unterscheiden sie sich und welche Frameworks eignen sich für welche Anwendungsfälle?

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

  • Implementierung von ausgewählter lemlab-Logik in Docker-Containern

  • Entwurf und Implementierung einer Nachrichten-basierten Kommunikation zwischen den Containern
  • Deployment der Container auf Kubernetes-Cluster 
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:

  • Welche KI-gestützen innovative Lösungen wurden in letzter Zeit publiziert, um Lastflüsse in Verteilnetzen zu berechnen?
  • Wie können diese Lösungen vergleichen werden, welche Stärken und Schwächen lassen sich identifizieren?

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:

  • Wie ermöglichen neue Kommunikationsmethoden wie EEBUS und Matter neue Möglichkeiten für die Konnektivität von Energiemanagementsystemen (EMS) und Energiegeräten?

  • Wie lassen sie sich diese Methoden miteinander vergleichen? Wie sind sie aufgebaut, wie ist der Stand der Akzeptanz und was sind die Einschränkungen?
  • Letztendlich, ist eine klar besser als die andere?

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:

  • Literaturrecherche zu Umweltauswirkungen von Machine Learning

  • Zusammenfassung von Methoden für Energieabschätzung
  • Erstellung von Richtlinien für niedrigeren Energieverbrauch, bzgl. Model Design, Konfiguration, Parameter, oder Algorithmen 
  • Beliebte Energieabschätzung-Libraries aus der Literatur und auf GitHub suchen

  • (Erweiterung) Eine dieser Libraries verwenden, um (state of the art) ML-Methoden zu benchmarken und die Ergebnisse dokumentieren


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

  • No labels
Write a comment...