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 (unter Nennung der Akronyme) 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. (12 Uhr mittags) 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

HINWEIS: BEWERBUNGSRUNDE 1 IST ABGESCHLOSSEN. AKRONYME VON VERGEBENEN THEMEN SIND ROT MARKIERT, NOCH VERFÜGBARE THEMEN FÜR BEWERBUNGSRUNDE 2 SIND GRÜN MARKIERT.

AcronymThema
(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

ES_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

P2P_ENERGY_TRADING

Dezentraler Peer-to-Peer-Energiehandel unter Netzrestriktionen

Forschungsmethode: Prototyping

Forschungsfrage:

  • Wie kann der Peer-to-Peer-Energiehandel in Verteilnetzen realisiert werden, während physikalische Einschränkungen berücksichtigt werden?
  • Welche Ansätze existieren?
  • Wie können diese Ansätze mithilfe realistischer Verteilnetzmodelle bewertet werden?

Mögliches Vorgehen:

  • Stand der Forschung basierend auf Literatur verstehen
  • Effiziente Implementierung bestehender Methoden mit Python- oder Julia
  • Evaluation der Methoden mithilfe realistischer Modelle von Verteilnetzen
  • Programmierkenntnisse in Python/Julia

Christoph Goebel

christoph.goebel@tum.de

09/2024

ELECROTHERMAL_DEMAND

Containerisierte Implementierung eines integrierten elektrothermischen Energiebedarfsmodells für Gebäude

Forschungsmethode: Prototyping

Forschungsfrage:

  • Wie kann Strom- und Wärmebedarf zeitgleich simuliert werden?
  • Wie kann die Simulation in einem Docker-Container verpackt und über APIs gesteuert werden?

Mögliches Vorgehen:

  • Stand der Forschung basierend auf Literatur verstehen
  • Effiziente Implementierung einer der Methoden mit Python- oder Julia
  • Packaging des Codes in einem Docker-Container und Evaluation anhand von EMS-Anwendungsfällen
  • Programmierkenntnisse in Python/Julia

Christoph Goebel

christoph.goebel@tum.de

09/2024

MULTI_PERIOD_OPF

Berechnung des multiperiodischen optimalen Leistungsflusses in Verteilnetzen

Forschungsmethode: Prototyping

Forschungsfrage:

  • 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

Christoph Goebel

christoph.goebel@tum.de

09/2024

PINN_LOADFLOW

Benchmarking von physik-informierten neuronalen Netzen für die Lastflussberechnung in Verteilnetzen

Forschungsmethode: Prototyping

Forschungsfrage:

  • Wie kann die Methode der physik-informierten neuronalen Netze zur Berechnung von Lastflüssen in Stromverteilungssystemen genutzt werden?
  • Wie schneiden diese Methoden im Vergleich zu herkömmlichen numerischen Optimierungsmethoden ab?

Mögliches Vorgehen:

  • Stand der Forschung basierend auf Literatur verstehen
  • Effiziente Implementierung einer der Methoden mit Python- oder Julia
  • Vergleich des PINN-basierten Ansatzes mit numerischer Optimierung hinsichtlich Qualität und Lösungsgeschwindigkeit
  • Programmierkenntnisse in Python/Julia
  • Erste Erfahrungen mit Deep Learning

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

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

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

Christoph Goebel

christoph.goebel@tum.de

09/2023

PINN_STATE_ESTIMATION

Benchmarking von physik-informierten neuronalen Netzen für die Zustandsschätzung in Verteilnetzen

Forschungsmethode: Prototyping

Forschungsfrage

  • Wie kann die Methode der physik-informierten neuronalen Netze genutzt werden, um den Zustand von Stromverteilungssystemen vorherzusagen?
  • Wie schneiden diese Methoden im Vergleich zu herkömmlichen numerischen Optimierungsmethoden ab?

Mögliches Vorgehen

  • Stand der Forschung basierend auf Literatur verstehen
  • Effiziente Implementierung einer der Methoden mit Python- oder Julia
  • Vergleich des PINN-basierten Ansatzes mit numerischer Optimierung hinsichtlich Qualität und Lösungsgeschwindigkeit
  • Programmierkenntnisse in Python/Julia
  • Erste Erfahrungen mit Deep Learning

Christoph Goebel

christoph.goebel@tum.de


09/2024

WPF_USECASES

Identifizierung von Anwendungsfällen für ultra-kurzfristige Windkraftprognosen

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:

  • Wer sind die Stakeholder für ultra-kurzfristige (<1h) Windkraftprognosen?
  • In welchen Anwendungen werden ultra-kurzfristige Windkraftprognosen benötigt?
  • Wie kann der Nutzen der Verbesserung von Windkraftprognosen in diesen Anwendungen quantifiziert werden?

Mögliches Vorgehen:

  • Umfassende Literaturrecherche zu Themen wie z. B. Energiemärkte, Handel mit Windenergie, Betrieb von Windkraftanlagen usw.
  • Identifizierung und Charakterisierung von praxisnahen Anwendungsfällen für ultra-kurzfristige Windleistungsprognosen.
  • Vorschlag einer Methode zur Quantifizierung des Werts von Windleistungsprognosen in zwei bis drei der identifizierten Anwendungsfälle.


  • Neugierde für Windenergie und Energiemärkte
  • Strukturierte Arbeitsweise


Annika Schneider

a.k.schneider@tum.de 

09/2024

WPF_BENCH

Benchmarking von Methoden zur Windkraftprognose

Forschungsmethode: Literaturrecherche (& Prototyping)

Forschungsfrage:

  • Wie werden Windkraftprognosemodelle in aktuellen Studien bewertet?
  • Wie kann ein faires und nutzerfreundliches Benchmarking-Framework für Windkraftprognosemodelle eingerichtet werden?

Mögliches Vorgehen:

  • Identifizierung von aktuellen Windkraftprognosemodellen
  • Ermittlung der heutigen Ansätze zur Bewertung neuer Windkraftprognosemodelle
  • Vorschlag (und Implementierung) eines Benchmarking-Frameworks für Windkraftprognosemodelle
  • Neugierde für Windenergie
  • Großes Interesse an Deep-Learning-Methoden zur Zeitreihenprognose
  • Strukturierte Arbeitsweise
  • Optional: Grundlegende Python-Kenntnisse

Annika Schneider

a.k.schneider@tum.de 

09/2024

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

GRID_TARIFF

Vergleich des Einflusses verschiedener variabler Netzentgelte

Forschungsmethode: Literaturrecherche

Forschungsfrage:

  • Welche Möglichkeiten zur Gestaltung variabler Netzentgelte gibt es? 
  • Welche Auswirkungen haben die einzelnen variablen Netzentgelte auf die Netzauslastung und die Wirtschaftlichkeit für Endverbraucher?

Mögliches Vorgehen:

  • Identifizierung unterschiedlicher variabler Netzentgelte
  • Identifizierung der Vor- und Nachteile der einzelnen variablen Netzentgelte
  • (Entwicklung neuer Möglichkeiten variabler Netzentgelte)

Elgin Kollnig
elgin.kollnig@tum.de

09/2024

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

COR_ENCR

Forschungsthema: Schnelle Berechnung von Korrelationsmaßen mit homomorpher Verschlüsselung

Forschungsmethode: Modellierung

Forschungsfrage:

  • Können zwei Parteien, die jeweils einen Datenvektor besitzen, gemeinsam ein Korrelationsmaß berechnen, ohne ihre privaten Daten einander preiszugeben?
  • Können wir ein (teilweise/vollständig) homomorphes Verschlüsselungsschema entwickeln, um verschiedene Korrelationsmaße zu berechnen?
  • Wie schnell kann dieses Schema sein?

Möglicher Ansatz:

  • Homomorphe Verschlüsselung verstehen
  • Korrelationsmaße verstehen
  • Kommunikations- und Berechnungsprotokoll modellieren

 


Jan Marco Ruiz de Vargas

janmarco.ruiz@tum.de 

09/2024

SINDY_BAT

----This topic is only available in English----

SINDy (Sparse Identification of Nonlinear Dynamical Systems)-based Battery Aging Model

Research method: Prototyping

Research question:

  • How to implement  SINDy to formulate battery aging problem?
  • How to design the  a feature library theta for SINDy model, and how different could the results be?
  • How does the SINDy model perform comparing to other battery aging model (e.g. NNs / other symbolic regression model etc..)?

Possible approach:

  • Literature review on SINDy and battery aging prediction
  • Implement SINDy model and train with existing dataset
  • Compare the results with the existing battery aging model.
  • Programming skills in Python
  • Basic ML and/or Battery aging knowledge

Sheng Yin
sheng.yin@tum.de

09/2024
MARL_EMS

----This topic is only available in English----

Multi Agent Reinforcement Learning (MARL) for Power Split Control

Research method: Prototyping

Research question:

  • How can MARL solve power split control problem?
  • Can MARL out-perform centralized RL?

Possible approach:

  • Literature review on MARL and RL in power split control
  • Build RL and MARL environment for Power split Control
  • Implement Basic RL and MARL algorithm to compare the results
  • Programming skills in Python
  • Basic ML and/or RL knowledge
Sheng Yin
sheng.yin@tum.de
09/2024
MPC_SPEED

Implementierung von Methoden zur Beschleunigung von MPC-Verfahren

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


09/2024
BATTERY_DATA

Analyse und Umgang mit Batterie-Nutzungs-Daten

Forschungsmethode: Prototyping

Forschungsfrage: Wie können große Batterie-Daten-Mengen einfach bearbeitet werden für z. B. State-of-Health-Forecasting

Mögliches Vorgehen

  • Analyse des Datensatzes https://zenodo.org/records/12091223
  • Recherchieren von Methoden für Umgang mit Datenmengen, die größer als übliche Arbeitsspeicher sind
  • Benchmarking der gefundenen Methoden und Darstellung mit konkretem Datensatz
  • Beitrag zum Energy Data Lab

 

  • Programmierkenntnisse in Sprache wie Python, Julia oder Matlab

Simon Zollner
simon.zollner@tum.de


09/2024
BUILDING_DATA

 Analyse und ML mit Gebäude-Daten

Forschungsmethode: Prototyping

Forschungsfrage: Wie können Gebäude-Nutzungs-Daten für das Lernen von datengetriebenen Modellen verwendet werden?

Mögliches Vorgehen

  • Programmierkenntnisse in Sprache wie Python, Julia oder Matlab

Simon Zollner
simon.zollner@tum.de

09/2024
  • No labels