| Akronym | Thema
(Kurzbeschreibung) | Anforderungen | Kontaktperson |
|---|
| DATA_INC | Warum teilt niemand? Auf der Suche nach Anreizen zum Daten-Teilen. Forschungsmethode: Literaturrecherche Energiedaten-Vorhersage, -Planung und -Betrieb hängt heutzutage enorm von der Verfügbarkeit hochqualitativer Daten ab. Diese Daten sind meist unter verschiedenen Playern verteilt (z.B. TSOs). Vorhersagen, Planungsprozesse und Betriebsprozesse könnten enorm verbessert werden, wenn diese Daten untereinander geteilt werden würden - das passiert aber nicht. Forschungsfrage: - Warum teilen verschiedene Dateneigentümer Ihre Daten nicht?
- Wie können Anreize zum Daten-Teilen geschaffen werden?
Mögliches Vorgehen: Tiefe Literaturrecherche zu (1) psychologischen/wirtschaftlichen Gründen, dass Daten nicht geteilt werden und (2) neuartigen Methoden, um Daten-Teilen zu motivieren, z.B. Datenmärkte. 
| - Neugierde über Kollaborationsdynamiken
- Interesse an neuartigen Ansätzen, Energieforschung voranzutreiben
| Annika Schneider annikakristina.schneider@tum.de
|
| FLOW_NRG | Flow-Based Generators im Energiekontext Forschungsmethode: Literaturrecherche Forschungsfrage: - Für welche Aufgaben im Energiekontext können flow-based generators eingesetzt werden?
- Wie kann die flow-based generator - Architektur ausgenutzt/übernommen werden, um optimal für diese Aufgaben eingesetzt zu werden?
Mögliches Vorgehen: - Lerne über flow-based generators und identifiziere ihre Stärken, Schwächen und typische Einsatzbereiche
- Finde existierende Studien von flow-based generators im Energiekontext
- Identifiziere geeignete Aufgaben im Energiekontext für diese Netzwerke
- Identifiziere einen Weg, diese Netzwerke für diese spezifischen Aufgaben zu nutzen/anzupassen
| - Interesse an modernen Machine Learning Methoden
| Annika Schneider annikakristina.schneider@tum.de
|
| GFM | Global Forecasting Methoden für gemeinsame Windkraftvorhersage Forschungsmethode: Modellierung Forschungsfrage: - Wie kann man Global Forecasting Methoden (z.B. lightGBM) optimal einsetzen für die Windvorhersage mehrerer benachbarter Windkraftwerke?
Mögliches Vorgehen: - Identifikation bewährter Global Forecasting Methoden
- Identifikation geeigneter Datensätze
- Anwendung der Methoden auf die Datensätze
- Auswertung der Ergebnisse
| - Programmierkenntnisse in Python
- Interesse and time series Daten und Forecasting
| Annika Schneider annikakristina.schneider@tum.de
|
| HH_SIM | Entwicklung eines Simulations-Tools für die Energienachfrage von Haushalten Forschungsmethode: Prototyping Forschungsfrage: - Wie kann man ein Simulations-Tool für die Energienachfrage von Haushalten entwickeln?
- Wie können Strom- und Wärme/Kälte-Nachfrage gleichzeitig und kongruent modelliert werden?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur und bestehenden Tools verstehen
- Entwicklung eines effizienten Python-Programms für die Simulation der Energienachfrage
- Evaluation des Tools, z.B. die Ergebnisse mit Messungen vergleichen oder die Rechenzeit messen und mit anderen Tools vergleichen
| - Programmierkenntnisse in Python
| Christoph Goebel christoph.goebel@tum.de
|
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 Wasserstoffenergiespeichern für Gebäude Forschungsmethode: Modellierung Forschungsfrage: - Wie kann Wasserstoff in Gebäuden als Energiespeicher eingesetzt werden?
- Wie sinnvoll ist Wasserstofftechnologie technisch und ökonomisch im Vergleich zu möglichen Alternativen?
Mögliches Vorgehen: - Stand der Forschung basierend auf Literatur verstehen
- Modellentwicklung, um die technischen Grenzen und ökonomischen Hintergründe von Wasserstoffspeicher zu verstehen
- Szenarien definieren und das Potenzial von Wasserstoffspeicher im Vergleich zu anderen 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 |
| EMS_BEN | Benchmarking für Energiemanagement Systeme (EMS) Forschungsmethode: Literaturrecherche Forschungsfrage: Was sind die Zielgrößen um EMS zu benchmarken? Welche Benchmarking-Systeme existieren für EMS? Was sind die Vor- und Nachteile dieser?
Mögliches Vorgehen: | Grundverständnis von EMS | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
| PF_CONVERT | Importieren von Netzwerkmodellen in Matpower von/nach Pandapower
Forschungsmethode: Prototyping Forschungsfrage: Mögliches Vorgehen: Verstehen von verschieden Konzepten in der Matpower und Pandapower Modellierung Bewertung existierender Tools für das Konvertieren von/zu Matpower/Pandapower Netzwerken Identifikation von Komponenten, die transformiert werden müssen Konvertierungen eines Testnetzes und Validierung dessen
| Basic Python programming skills | Sebastian Eichhorn
sebastian.eichhorn@tum.de
|
| EV_CYBER | Modellierung von Cyberattacken auf EV-Ladesäulen
Forschungsmethode: Prototyping Forschungsfrage: Mögliches Vorgehen: | 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
|
Vorlage
| Vorlage (Zeile kopieren und anpassen) Forschungsmethode: Recherche, Modellierung, experimentell, ... Forschungsfrage: Mögliches Vorgehen: |
| |
Add Comment