Seminar Energiemanagement-Technologien

FLEX_PROD

Nutzung von Flexibilität in Produktionssystemen im Energiemanagement

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie kann die Flexibilität in Produktionssystemen (z. B. Maschinen langsamer oder schneller laufen lassen) genutzt werden, um das Energiemanagement zu verbessern (z. B. Kosten zu senken durch Nutzung lokal erzeugten Solarstroms oder Anpassung des Verbrauchs an dynamische Tarife)?
• Wie lassen sich entsprechende Optimierungsprobleme formulieren und lösen?
• Wie können verschiedene Optimierungsmethoden vergleichend bewertet werden?

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik
• Definition von Optimierungsszenarien (z. B. basierend auf Anwendungsfällen aus der Literatur) 
• Entwicklung effizienter Python- oder Julia-Implementierungen für eine Optimierungsmethode
• Benchmarking der Optimierungsmethode mit Basis-Szenarien

• Programmierkenntnisse in Python/Julia

Christoph Goebel

christoph.goebel@tum.de

09/2025

EMSX_EXT

Erweiterung des Benchmarking-Frameworks EMSx für Energiemanagement

Forschungsmethode: Prototyping

Forschungsfragen (Auswahl möglich):

• Wie kann EMSx erweitert werden, um anspruchsvollere Modellierungsfähigkeiten zu integrieren (z. B. ähnlich wie OCHRE)?
• Wie kann EMSx so erweitert werden, dass andere Datensätze und höhere zeitliche Auflösung genutzt werden können?
• Wie kann EMSx erweitert werden, um das Benchmarking von Reinforcement-Learning-Algorithmen zu ermöglichen?

Möglicher Ansatz:

• Studium des bestehenden EMSx-Frameworks und Codes (in Julia) 
• Entwicklung effizienter Julia-Implementierungen für ausgewählte Erweiterungen
• Evaluation der Erweiterungen anhand realer Daten

• Ideal wären Programmierkenntnisse in Julia
• Grundlagenverständnis in Optimierung

Paul Magos

paul.magos@tum.de

03/2025

DIST_GRID_GEN_MAPS

(BEREITS VERGEBEN FÜR WS25/26)

Kartenbasierte Methoden zur Generierung von Verteilnetzen

Forschungsmethode: Prototyping 

Forschungsfragen:

• Wie können realistische Verteilnetzmodelle auf Basis von Kartendaten synthetisiert werden?
• Wie lassen sich die synthetisierten Verteilnetzmodelle evaluieren

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik
• Entwicklung effizienter Python- oder Julia-Implementierung einer Methode zur Erzeugung von Verteilnetzen
• Evaluation der Methode anhand tatsächlicher Daten

• Programmierkenntnisse in Python/Julia
• Verständnis von Verteilnetzmodellierung

Christoph Goebel

christoph.goebel@tum.de

09/2025

ESPARX_LOAD_FC

Verwendung von e-SparX zur Entwicklung von Lastprognosemodellen

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie kann e-SparX zur Entwicklung von Lastprognosemodellen verwendet werden und wie lässt sich dies transparent und teilbar gestalten?
• Wie kann e-SparX erweitert und verbessert werden, um nützlicher und benutzerfreundlicher zu sein? 

Möglicher Ansatz:

• Literaturrecherche zum Stand der Lastprognose
• Untersuchung der aktuellen e-SparX-Implementierung
• Entwicklung effizienter Python- oder Julia-Code für verschiedene Solarleistungs-Prognosemodelle
• Teilen der vollständigen ML-Pipelines mit e-SparX
• Vorschlag neuer e-SparX-Funktionen und optional deren Implementierung

• Programmierkenntnisse in Python

Manuel Katholnigg

manuel.katholnigg@tum.de

09/2025

ESPARX_SOLAR_FC

(BEREITS VERGEBEN FÜR WS25/26)

Verwendung von e-SparX zur Entwicklung von Solarprognosemodellen

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie kann e-SparX verwendet werden, um Solarleistungsprognosemodelle zu entwickeln und diese transparent und teilbar zu machen?
• Wie kann e-SparX erweitert und verbessert werden, um nützlicher und benutzerfreundlicher zu sein? 

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik der Solarprognose
• Untersuchung der aktuellen Implementierung von e-SparX
• Entwicklung effizienter Python- oder Julia-Code für verschiedene Solarleistungsprognosemodelle
• Teilen der vollständigen ML-Pipelines mit e-SparX
• Vorschlag und eventuell Implementierung neuer e-SparX-Features

• Programmierkenntnisse in Python

Manuel Katholnigg

manuel.katholnigg@tum.de

09/2025

SOLAR_POWER_FC

(BEREITS VERGEBEN FÜR WS25/26)

Probabilistische Solar-PV-Leistungsprognose

Forschungsmethode: Prototyping 

Forschungsfragen:

• Wie kann die Solar-PV-Leistung probabilistisch über verschiedene Zeiträume (innerhalb der Stunde, Tagesverlauf, Day-Ahead) prognostiziert werden?
• Wie lassen sich entsprechende Methoden implementieren und benchmarken?

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik
• Entwicklung effizienter Python- oder Julia-Code zur Implementierung probabilistischer Prognosemethoden
• Evaluation der Methoden mit realen Daten

• Programmierkenntnisse in Python/Julia

Christoph Goebel

christoph.goebel@tum.de

03/2025

RE_FC_ECON_IMPACT

(BEREITS VERGEBEN FÜR WS25/26)

Ökonomische Auswirkungen von Prognosefehlern bei erneuerbaren Energie

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie lässt sich der ökonomische Einfluss von Prognosefehlern erneuerbarer Energie beurteilen?
• Wie viel Geld kann ein Windpark einsparen durch Verbesserung seiner Prognose? 

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik
• Entwicklung effizienter Python- oder Julia-Programmierung zur Umsetzung einer Bewertungsmethode
• Evaluation der Methode anhand realer Daten

• Programmierkenntnisse in Python/Julia
• Verständnis von Elektrizitätsmärkten

Manuel Katholnigg

manuel.katholnigg@tum.de

03/2025

DEEP_NILM

(BEREITS VERGEBEN FÜR WS25/26)

Deep Learning für die Deaggregation von Strommessungen

Forschungsmethode: Prototyping

Forschungsfragen:

• 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

(NICHT VERFÜGBAR FÜRS WS25/26)

Deep Reinforcement Learning zur optimalen Steuerung der Wärmeversorgung in Gebäuden

Forschungsmethode: Prototyping

Forschungsfragen:

• 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

LOW_VOLT_LOAD_FC

Probabilistische Lastprognose im Niederspannungsnetz

Forschungsmethode: Prototyping

Forschungsfragen:

• Welche Methoden existieren für die Prognose der Last im Niederspannungsnetz über verschiedene Zeithorizonte (intra-hour, intra-day, day-ahead)? 
• Welche Vorteile bietet eine globale Prognose?
• Wie können verschiedene Modelle fair mit öffentlichen Datensätzen verglichen werden?

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik
• Entwicklung eines effizienten Python-Codes zur Schulung von Modellen mit öffentlichen Lastdatensätzen 
• Evaluation der Leistung durch Benchmarking gegenüber in der Literatur beschriebenen Methoden

• Programmierkenntnisse in Python

Hippolyte Robin

hippolyte.robin@tum.de

09/2025

LOCAL_ENERGY_TRADING

(BEREITS VERGEBEN FÜR WS25/26)

Lokaler Energiehandel unter Netzbeschränkungen

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie können Prosumer Energie lokal handeln, ohne die physikalischen Netzbeschränkungen des Verteilnetzes zu verletzen?
• Welche Ansätze existieren bereits, und auf welchen Annahmen beruhen sie?
• Wie lassen sich diese Ansätze anhand realistischer Verteilnetzmodelle benchmarken?

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik
• Entwicklung effizienter Python- oder Julia-Implementierungen bestehender Methoden
• Evaluation der Methoden anhand realistischer Modelle von Verteilnetzen

• Programmierkenntnisse in Python/Julia

Christoph Goebel

christoph.goebel@tum.de

09/2024

MULTI_PERIOD_OPF

Berechnung des multiperiodischen optimalen Leistungsflusses in Verteilnetzen

Forschungsmethode: Prototyping

Forschungsfragen:

• 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

Hippolyte Robin

hippolyte.robin@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

Paul Magos

paul.magos@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

Lennart Morlock

lennart.morlock@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

Lennart Morlock

lennart.morlock@tum.de

09/2023

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

Power Grids ANN-based Optimal Power Flow

Research method: Prototyping

Research question:

• What model design is suitable for improving ANNs optimal power flow predictions?
• What training approaches are suitable for maintain predictions feasibility and optimality?

Possible approach: 

• Understand state-of-the-art based on literature
• Implement ANN model for optimal power-flow prediction
• Benchmark results against SOTA ANNs

• Programming skills in Python

Arbel Yaniv

arbel.yaniv@tum.de

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

Generating Representative AC-OPF Datasets

Research method: Prototyping

Research question:

• How to systematically generate representative AC OPF datasets that span the feasible region?
• How to measure the generated data level of representativeness?

Possible approach: 

• Understand state-of-the-art based on literature
• Enhance existing state-of-the-art methods to increase level of representativeness
• Benchmark against dataset generated with SOTA approaches

• Python programming skills

Arbel Yaniv

arbel.yaniv@tum.de

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

Non-Intrusive Load Monitoring with Active Learning

Research method: Prototyping

Research question:

• What is the impact of different acquisition functions on the performance of appliances disaggregation?
• What is the best fine-tuning approach, both layer-wise and sample-wise?

Possible approach: 

• Understand state-of-the-art based on literature
• Leverage scikit-activeml to analyse different active-learning approaches for NILM
• Try different fine-tuning experimental setups

• Python programming skills

Arbel Yaniv

arbel.yaniv@tum.de

GNN_SE

(BEREITS VERGEBEN FÜR WS25/26)

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

Power Grids GNN-based State Estimation

Research method: Prototyping

Research question:

• What training procedures potentially improve GNNs state estimation predictions?
• What architectures design potentially improve GNNs state estimation predictions?

Possible approach: 

• Understand state-of-the-art based on literature
• Enhance state-of-the-art GNN model for power grid state estimation
• Benchmark results against SOTA ANNs

• Python programming skills

Arbel Yaniv

arbel.yaniv@tum.de

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

Predictive approach to enhance time series forecasting 

Research method: Simulating

Research question:

How can dynamic feedback mechanisms enhance PV generation and load consumption time series forecasting?

Which data features should be involved in the predictive approach?

Possible approach: 

Understand state-of-the-art based on literature

Utilize a predictive approach to forecast PV generation and load consumption 

Benchmark results against SOTA forecasting approaches 

Arbel Yaniv 

arbel.yaniv@tum.de

Kooperative Steuerung von Energiesystemen mit Multi-Agent Reinforcement Learning

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie kann ein kooperativer MARL-Rahmen entworfen werden, um Prognosemodelle und Batterie-Dispatch-Strategien simultan zu optimieren?
• Welche Agentenkonfigurationen und Belohnungsstrukturen sind am effektivsten, um systemweite ökonomische Ziele zu erreichen? 
  
• Wie verhält sich dieser kooperative MARL-Ansatz im Vergleich zu dezentralen oder traditionellen, getrennten Optimierungsansätzen?

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik in MARL für Energiesysteme und forecast-aware Steuerung
• Entwicklung einer Simulationsumgebung für ein System mit PV/Last-Profilen, Batterie und Marktpreisen
• Implementierung und Training eines kooperativen MARL-Algorithmus, bei dem Agenten (z. B. ein Prognoseagent und ein Batterie-Steuerungsagent) zusammenarbeiten
• Benchmarking des MARL-Ansatzes gegenüber relevanten Baselines

• Programmierkenntnisse in Python
• Erste Erfahrungen mit (Deep) Reinforcement Learning sind sehr empfohlen 

Manuel Katholnigg

manuel.katholnigg@tum.de

Entscheidungsbewusste Prognosen für den optimalen Betrieb von Energiesystemen

Forschungsmethode: Prototyping 

Forschungsfragen:

• Wie können Prognosemodelle für PV-Erzeugung oder Stromlast optimiert werden, um ökonomische Leistung anstelle rein statistischer Genauigkeit zu maximieren?
• Welche Verlustfunktionen oder Trainingsrahmen können direkt die ökonomischen Konsequenzen von Prognosefehlern einbeziehen?
• Wie schneiden diese ökonomisch optimierten Prognosen in einer simulierten Betriebsumgebung (z. B. Batteriescheduling) im Vergleich zu Standardprognosen ab? 

Möglicher Ansatz:

• Literaturrecherche zum Stand der Technik in decision-aware Forecasting
• Definition eines ökonomischen Zieles für eine konkrete Anwendung (z. B. Minimierung der Stromkosten für einen Haushalt mit Batterie und PV-System)
• Entwicklung und Implementierung eines Prognosemodells (z. B. basierend auf ANN) unter Verwendung einer benutzerdefinierten, ökonomisch abgeleiteten Verlustfunktion
• Evaluation und Benchmarking der ökonomischen Leistung gegenüber Modellen, die mit Standardmetriken (z. B. MSE, MAE) trainiert wurden

• Programmierkenntnisse in Python
• Erste Erfahrungen mit Deep Learning

Manuel Katholnigg

manuel.katholnigg@tum.de

PV_BAT_SZ

(BEREITS VERGEBEN FÜR WS25/26)

PV- und Batteriesizing bei begrenzten oder niedrig aufgelösten Daten

Research method: Prototyping

Research question: 

• Wie lässt sich die Dimensionierung von PV- und Batteriespeichern optimieren, wenn lediglich begrenzte oder niedrig aufgelöste Daten vorliegen?

Possible approach: 

• Stand der Technik aus der Literatur verstehen
• Implementierung von möglichen Ansätzen zur Verbesserung der Dimensionierung bei limitierten Daten.

• Programmierkenntnisse in Python

Elgin Kollnig

elgin.kollnig@tum.de 

HOUSE_FLEX

(BEREITS VERGEBEN FÜR WS25/26)

Probabilistische Bestimmung der Haushaltsflexibilität

Research method: Literature review & Prototyping

Research question: 

• Welche Methoden existieren zur Bestimmung der Haushaltsflexibilität, insbesondere unter Berücksichtigung probabilistischer Ansätze?

Possible approach: 

• Literaturrecherche zu Methoden der Haushaltsflexibilitätsbestimmung
• Analyse Methoden zur probabilistischen Bestimmung der Flexibilität 
• Implementierung und Vergleich verschiedener Ansätze

• Programmierkenntnisse in Python

Elgin Kollnig

elgin.kollnig@tum.de 

Verteilte Optimierungsmethoden für P2P-Energiehandel

Forschungsmethode: Literaturrecherche, Prototyping 

Forschungsfragen:

• Wie können verteilte Optimierungsmethoden (z. B. ADMM oder Konsensalgorithmen) entworfen werden, um schnelle Konvergenz, Skalierbarkeit und Einhaltung der Netzbeschränkungen im P2P-Energiehandel in Verteilnetzen zu gewährleisten?

Möglicher Ansatz:

• Vergleich verschiedener verteilter Optimierungsmethoden
• Untersuchung von Trade-offs zwischen Konvergenzgeschwindigkeit, Datenschutz und Genauigkeit
• Test auf kleinen IEEE-Verteilungsnetzen mit simulierten P2P-Transaktionen

• Programmierkenntnisse in Python

Hippolyte Robin

hippolyte.robin@tum.de 

Blockchain-basierter P2P-Energiehandel

Forschungsmethode: Literaturrecherche, Prototyping 

Forschungsfragen:

• Welche Blockchain-Architekturen, Konsensmechanismen und Smart-Contract-Designs wurden für P2P-Energiehandel vorgeschlagen, und wie adressieren sie Herausforderungen wie Skalierbarkeit, Sicherheit und Transaktionskosten? 
  

Möglicher Ansatz:

• Klassifikation von Blockchain-Architekturen mit deren Kompromissen hinsichtlich Dezentralisierung, Skalierbarkeit und Governance
• Vergleich von Konsensmechanismen und Diskussion, wie jeder Energieeffizienz, Geschwindigkeit und Sicherheit handhabt 
  
• Überprüfung der Smart-Contract-Designs (wie Trades gematcht, abgewickelt, automatisiert) 
  
• Identifikation von Herausforderungen und Forschungslücken

• Programmierkenntnisse in Python

Hippolyte Robin

hippolyte.robin@tum.de 

Hochauflösende Lastprofilerzeugung für Deutschland mit OCHRE

Forschungsmethode: Prototyping

Forschungsfragen:

• Wie kann das fortgeschrittene Python-basierte Energiemodellierungstool OCHRE angepasst werden, um synthetische Lastprofile für deutsche Haushalte zu erzeugen?
• Wie schneiden die erzeugten Lastprofile im Vergleich mit solchen ab, die mit anderen existierenden Tools erzeugt werden (z. B. LoadProfileGenerator des FZ Jülich)? 
  

Möglicher Ansatz:

• Analyse des OCHRE-Modellrahmens, insbesondere der Modellkonfiguration und Datenformate
• Untersuchung verfügbarer Datenquellen für deutsche Haushalte 
  
• Entwicklung eines Workflows zur Erstellung von OCHRE-Modellen für deutsche Haushalte auf Basis öffentlich verfügbarer Daten
  
• Erzeugung und Analyse von Lastprofilen für ein Beispielmodell

• Programmierkenntnisse in Python

Lennart Morlock

lennart.morlock@tum.de

Analyse deutscher Last- und Erzeugungsdatensätze auf Verteilnetzebene für open-source Datensammlung

Forschungsmethode: Prototyping

Forschungsfragen:

• Welche Open-Source-Datensätze sind auf Verteilnetzebene für Last und Erzeugung verfügbar?
• Wie könnten sie in die Open Data Collection Explorationsdatenanalyse (EDA) der Professur für Energiemanagementtechnologien integriert werden, um eine bessere Zugänglichkeit zu gewährleisten? 
  

Möglicher Ansatz:

• Recherche verfügbarer Open-Source-Datensätze
• Auswahl vielversprechender Kandidaten und Analyse dieser
• Dokumentation der Analyse in den EDA-Jupyter-Notebooks der Open Data Collection

• Programmierkenntnisse in Python

Lennart Morlock

lennart.morlock@tum.de