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:

  • Ein 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

Um sich auf Themen zu bewerben, müssen die Top-3 Themen und der aktuelle Transcript of Records an a.k.schneider@tum.de geschickt werden. Bewerbungen werden erst ab 27.09.24 entgegengenommen. Informationen zu den Deadlines finden Sie im nächsten Abschnitt.

Organisatorischer und Zeitlicher Ablauf (Wintersemester 2024/25)

Die Themenwahl erfolgt in zwei Blöcken. Studierende, die schon vor Semesterstart sicher sein wollen, einen festen Platz im Seminar zu bekommen, müssen sich bis zum 04.10. (12 Uhr mittags) bewerben. Diese Studierende bekommen am 07.10. Bescheid, welches Thema sie bearbeten werden.

Studierende, die sich erst später bewerben wollen, können das bis zum 18.10. tun und bekommen dann am 21.10. Bescheid, ob sie noch einen Platz im Seminar bekommen konnten.

Hier sind die wichtigsten Daten im Seminar zusammengefasst:

Anmeldezeitraum: 27.09.24 - 18.10.24.

Erste Einreichungsfrist der Top 3 Themenwünsche: 04.10.24, 12 Uhr mittags.

Themenvergabe Block 1: 07.10.24

Kick-off (Einführung in das Seminar, Präsentation der noch verfügbaren Themen): 16.10.24, 3pm-4:30pm, Raum N3815.

2. Einreichungsfrist der Top 3 Themenwünsche: 18.10.24, 12 Uhr mittags.

Themenvergabe Block 2: 21.10.24

Proposal Präsentationen: 06. & 13. November, 2024, 3pm-4:30pm, N3815.

Abschlusspräsentationen: 29. Januar & 05. Februar, 2025, 3pm-4:30pm, N3815.

Aktuelle Themen


AkronymThema
(Kurzbeschreibung)                           
AnforderungenKontaktpersonZeit 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

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

04/2024

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

09/2023

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

09/2023

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

09/2023

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

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

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

Christoph Goebel

christoph.goebel@tum.de

09/2023

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

09/2023

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


09/2023

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

09/2023

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 

03/2024

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 

03/2024

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

 04/2024

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

04/2024

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:

  • 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

Ehimare Okoyomon
e.okoyomon@tum.de

04/2024

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


04/2024

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


04/2024

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

04/2024

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

04/2024

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

04/2024

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

MPC_SPEED

Implementation of MPC speed up Techniques

Forschungsmethode: Prototyping

Forschungsfrage: Wie kann MPC beschleunigt werden bei gleichzeitig akzeptablen Ergebnissen?

Mögliches Vorgehen



  • Programmierkenntnisse in Sprache wie Python oder Matlab
  • Interesse an (linearer) Optimierung, erste Kenntnisse sind sehr hilfreich

Simon Zollner
simon.zollner@tum.de



  • Keine Stichwörter