| Acronym |
Thema
(Kurzbeschreibung) |
Anforderungen |
Group Work Possible
(Group of 2) |
Kontaktperson |
Zeit des Eintrags |
|
FLEX_PROD (taken for SS26)
|
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
|
Nein |
Christoph Goebel
christoph.goebel@tum.de
|
09/2025
|
|
DIST_GRID_GEN_MAPS
|
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
|
ja |
Christoph Goebel
christoph.goebel@tum.de
|
09/2025
|
|
ESPARX_SOLAR_FC
|
Verwendung von e-SparX zur Entwicklung von Solar-PV-Leistungsprognosen
Forschungsmethode: Prototyping
Forschungsfragen:
- Wie kann e-SparX zur Entwicklung von PV-Prognosemodellen 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 von PV-Prognosen
- 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
|
Ja |
Christoph Goebel
christoph.goebel@tum.de
|
09/2025
|
|
SOLAR_POWER_FC
|
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
|
ja |
Christoph Goebel
christoph.goebel@tum.de
|
03/2025
|
| LLM_EMS (taken for SS26) |
LLM-gestütztes Tarif-Parsing für lokale Energiemanagementsysteme
Forschungsmethode: Prototyping
Forschungsfragen:
-
Wie effektiv können Large Language Models (LLMs) komplexe, mehrseitige PDF-Dokumente industrieller Stromtarife in funktionale Logik für Energiemanagementsysteme (EMS) parsen?
-
Wie kann dieser Übersetzungsprozess vollständig lokal ausgeführt werden, um rechtliche Restriktionen hinsichtlich Cloud-Uploads einzuhalten?
Möglicher Ansatz:
-
Untersuchung LLM-gestützter Methoden zum Parsen und Extrahieren von Regeln aus komplexen Tarifdokumenten
-
Entwicklung einer vollständig lokalen Open-Source-Pipeline, die ein Tarif-PDF einliest und eine funktionale EMS-Konfiguration generiert, ohne dass Daten die Anlage verlassen
-
Benchmarking der Genauigkeit der Regelextraktion und der Performance anhand verschiedener Arten von Stromtarifen
|
- Programmierkenntnisse in Python
|
ja |
Manuel Katholnigg
manuel.katholnigg@tum.de
|
03/2026
|
| BENCH_WIND (taken for SS26) |
Maschinelles Lernen und Deep-Learning für Day-Ahead Windenergieprognosen
Forschungsmethode: Prototyping
Forschungsfragen:
- Wie schneiden Ensemble-Modelle (z. B. XGBoost) im Vergleich zu Deep-Learning-Architekturen (z. B. Temporal Fusion Transformers) bei Windenergieprognosen auf Farmebene ab?
- Wie sieht es mit der Rechenkomplexität aus?
Mögliches Vorgehen:
- Aufbau eines Bewertungsrahmens unter Verwendung von Erzeugungsdaten und Merkmalen aus numerischen Wettervorhersagen.
- Training von hyperparameteroptimierten Ensemble-Modellen (wie XGBoost) als Machine-Learning-Baselines.
- Implementierung und Training multivariater Deep-Learning-Sequenzmodelle (wie Temporal Fusion Transformer oder LSTM) auf genau demselben Datensatz.
- Bewertung deterministischer Prognosen für den Day-Ahead-Horizont.
- Bewertung der Rechenkomplexität der Modelle.
|
- Programmierkenntnisse in Python
|
ja |
Jonas Betscher
jonas.betscher@tum.de
|
03/2026
|
| FOUND_WIND |
Zero-Shot-Zeitreihen-Foundation-Modelle für Day-Ahead Windenergieprognosen
Forschungsmethode: Prototyping
Forschungsfragen:
- Können große Zeitreihen-Foundation-Modelle die Day-Ahead-Windenergie auf Windparkebene ohne zielspezifische Feinabstimmung genau vorhersagen?
- Wie schneidet die Zero-Shot-Leistung dieser Grundmodelle im Vergleich zu einem vollständig überwachten, standortspezifischen XGBoost-Modell ab?
Mögliches Vorgehen:
- Auswahl von 1–2 aktuellen Open-Source-Zeitreihen- oder windspezifischen Foundation-modellen (wie Chronos, Lag-Llama oder WindFM).
- Erstellung von Zero-Shot-Prognosen für den nächsten Tag.
- Feinabstimmung des Foundation-Modells unter Verwendung einer kleinen Teilmenge der Daten des Windparks, um den Leistungsgewinn durch Domänenanpassung zu messen.
- Vergleich der Zero-Shot- und der feinabgestimmten Ergebnisse mit einem speziellen überwachten Basismodell, um festzustellen, ob der Rechenaufwand von Foundation-Modellen gerechtfertigt ist.
|
- Programmierkenntnisse in Python
|
ja |
Jonas Betscher
jonas.betscher@tum.de
|
03/2026
|
| AI_WIND (taken for SS26) |
KI-Wettermodelle für Day-Ahead Windenergieprognosen
Forschungsmethode: Prototyping
Forschungsfragen:
- Liefern modernste KI-Wettermodelle (z. B. GraphCast, FourCastNet oder Pangu-Weather) im Vergleich zu herkömmlichen physikalisch basierten numerischen Wettervorhersagemodellen (NWP) bessere meteorologische Eingangsdaten für Windenergieprognosen ganzer Windparks?
Mögliches Vorgehen:
- Extraktion lokalisierter Vorhersagen zu Windgeschwindigkeit, Windrichtung und Temperatur für die Koordinaten des Zielwindparks unter Verwendung eines Open-Source-KI-Wettermodells.
- Training eines ML-Vorhersagemodells (z.B. XGBoost) unter Verwendung der Ausgaben des KI-Wettermodells und Training eines identischen Modells unter Verwendung klassischer NWP-Daten.
- Vergleich der Fehler bei der nachgelagerten Day-Ahead-Windenergieprognose, um den direkten Mehrwert durch den Einsatz KI-gestützter Meteorologie zu quantifizieren.
|
- Programmierkenntnisse in Python
|
ja |
Jonas Betscher
jonas.betscher@tum.de
|
03/2026
|
|
DEEP_NILM
|
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
|
ja |
Christoph Goebel
christoph.goebel@tum.de
|
09/2023
|
|
DEEP_HEAT
|
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
|
ja |
Christoph Goebel
christoph.goebel@tum.de
|
09/2023
|
|
LOCAL_ENERGY_TRADING
|
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
|
nein |
Christoph Goebel
christoph.goebel@tum.de
|
09/2024
|
|
BAT_AGE_PRED (taken for SS26)
|
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
|
ja |
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
|
ja |
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
|
ja |
Christoph Goebel
christoph.goebel@tum.de
|
09/2023
|
| ANN_OPF (taken for SS26) |
----This topic is only available in English----
Power Grids ANN-based Optimal Power Flow Prediction
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
|
yes |
Arbel Yaniv
arbel.yaniv@tum.de
|
09/2025 |
| NILM_AL |
----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
|
yes |
Arbel Yaniv
arbel.yaniv@tum.de
|
09/2025 |
| MARL_COOP_OPT |
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
|
ja |
Manuel Katholnigg
manuel.katholnigg@tum.de
|
03/2026 |
| ECON_FC (taken for SS26) |
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
|
ja |
Manuel Katholnigg
manuel.katholnigg@tum.de
|
03/2026 |
|
PV_BAT_SZ
|
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
|
nein |
Elgin Kollnig
elgin.kollnig@tum.de
|
09/2025 |
|
HOUSE_FLEX
|
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
|
nein |
Elgin Kollnig
elgin.kollnig@tum.de
|
09/2025 |
| DOPT_P2P (taken for SS26) |
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
|
nein |
Hippolyte Robin
hippolyte.robin@tum.de
|
09/2025 |
| BLOCKCHAIN_P2P |
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
|
nein |
Hippolyte Robin
hippolyte.robin@tum.de
|
09/2025 |
| MARL_P2P |
Multi-Agenten-Reinforcement-Learning-Ansätze für den P2P-Energiehandel
Forschungsmethode: Literaturrecherche, Prototyping
Forschungsfrage:
- Wie können Multi-Agenten-Reinforcement-Learning-Ansätze für den Peer-to-Peer-Energiehandel entworfen und evaluiert werden, um eine effiziente dezentrale Koordination, Skalierbarkeit und robuste Leistung unter realistischen Markt- und Netzannahmen zu erreichen?
Mögliche Vorgehensweise:
- Verschiedene MARL-Ansätze für den P2P-Energiehandel vergleichen
- Zielkonflikte zwischen Koordinationsqualität, Skalierbarkeit, Fairness und Trainingsstabilität untersuchen
- Annahmen hinsichtlich Agenteninformationen, Marktmechanismen und Netzbeschränkungen analysieren
- Optional einen einfachen Prototyp auf einem kleinen simulierten P2P-Handelsszenario testen und mit einer Baseline-Methode vergleichen
|
- Programmierkenntnisse in Python
|
Ja |
Hippolyte Robin
hippolyte.robin@tum.de
|
03/2026 |
| P2P_SETTL (taken for SS26) |
On-Chain- vs. Off-Chain-Abwicklungsarchitekturen für den P2P-Energiehandel
Forschungsmethode: Literaturrecherche, konzeptionelle Modellierung
Forschungsfrage:
- Wie schneiden On-Chain-, Off-Chain- und hybride Abwicklungsarchitekturen hinsichtlich Vertrauen, Verifizierbarkeit, Skalierbarkeit und Kosten für lokale Peer-to-Peer-Energiemärkte im Vergleich ab, und unter welchen Markt- und Regulierungsbedingungen bietet jeder Ansatz die geeignetsten Kompromisse?
Möglicher Ansatz:
- Bestehende Abwicklungssmechanismen in P2P-Energiehandelsplattformen und angrenzenden Bereichen (Großhandels-Energiemärkte, dezentrale Finanzen) erfassen, um eine Taxonomie architektonischer Ansätze zu erstellen
- Ein strukturiertes Vergleichsframework entwickeln, das zentrale Eigenschaften abdeckt: Abwicklungsfinalität, Prüfbarkeit, Transaktionsdurchsatz, Latenz, Datenschutz und Kosten als Funktion der Gemeinschaftsgröße
- Das Messdaten-Orakel-Problem analysieren — wie Off-Chain-Zählerdaten on-chain verankert werden — und in der Literatur vorgeschlagene kryptografische sowie governance-basierte Ansätze untersuchen
- Untersuchen, wie das Abwicklungsdesign mit Straf- und Belohnungsmechanismen zusammenwirkt und welche spieltheoretischen Auswirkungen verschiedene Architekturen auf das Teilnehmerverhalten haben
- Optional die Ergebnisse auf eine bestehende Plattform (z. B. GSY DEX) abbilden, um den Vergleich anhand einer konkreten Implementierungsreferenz zu verankern
|
- Programmierkenntnisse in Python
|
Ja |
Hippolyte Robin
hippolyte.robin@tum.de
|
03/2026 |
| MOD_GEN |
White-Box-Gebäudemodell-Generierung für Deutschland mit OCHRE
Forschungsmethode: Prototyping
Forschungsfragen:
- Wie kann das Python-basierte Energiemodellierungstool OCHRE konfiguriert werden, um realistische Gebäudemodelle für Deutschland zu erzeugen?
Möglicher Ansatz:
- Analyse des OCHRE-Modells, 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 Temperatur- und Lastprofilen für ein Beispielmodell
|
- Programmierkenntnisse in Python
|
ja |
Lennart Morlock
lennart.morlock@tum.de
|
03/2026 |
| BAT_REV_OPT |
Optimaler Betrieb von Batteriegroßspeichern bei Multi-Markt Teilnahme
Forschungsmethode: Prototyping
Forschungsfragen:
Möglicher Ansatz:
|
- Programmierkenntnisse in Python
|
ja |
Lennart Morlock
lennart.morlock@tum.de
|
03/2026 |