- Welche Wetterfeatures haben den größten Einfluss auf die Prognoseleistung von elektrischen Lasten industrieller Verbraucher? Ziel: Auflistung der Top-k Faktoren, Quantifizierung des Einflusses
- Welchen Mehrwert bietet die Integration von Wetterprognosen mit diesen Variablen? Ziel: Systematischer Vergleich mit / ohne Wetterdaten
- Welche öffentlichen Datensätze sind vorhanden? Ziel: Auflistung von Services, die kostenfrei Wetterdaten zur Verfügung stellen.
- Wie unterscheidet sich die Prognoseleistung zwischen den Wetterprognosequellen? Ziel: Systematischer Vergleich kommerzielle Wetterdaten / Open Data Wetterdatennutzung
- Sind diese Erkenntnisse im Einklang mit Forschungsergebnissen anderer Forschungsbereiche? Ziele: Einordnung der Ergebnisse
- eine Maschine-Learning Pipeline zur Modellierung einer energetischen Prognose (day-ahead) für mindestens 10 vorhandene Unternehmen programmiert werden.
- Open Data Datensätze recherchiert und integriert werden
- Einarbeitung in die vorhandenen Datensätze, Vorverarbeitung, Integration anderer Features
- Erstellen einer ersten Prognose mit mehreren Modellen
- Integration der kommerziellen Wetterdaten (Code vorhanden)
- Einflussanalyse der Wetterdaten
- Recherche öffentlicher Datensätze
- Integration der öffentlichen Datensätze
- Systematische Untersuchung der Modellleistungen
- Dokumentation
- Präsentation
- Fundierte Kenntnisse im Bereich Machine Learning
- Gute Programmierkenntnisse (Python)
- Erste Erfahrungen mit Bibliotheken wie pandas, sklearn oder PyTorch / TensorFlow
- Gutes mathematisches Verständnis (Analysis und Lineare Algebra) sind von Vorteil
- Sehr gute Excel- und Wordkenntnisse
- Freude am Forschen
- Sehr gute Deutsch- und gute Englischkenntnisse
- Selbständige Arbeitsweise und Organisationstalent
- Eigenständige, sorgfältige und strukturierte Arbeitsweise
- Kommunikations- und Teamfähigkeit
- Hohes Maß an Zuverlässigkeit
- Eigene Ideen und Vorhaben können eingebracht werden
- Bei guten Ergebnissen Mitwirken an einer Veröffentlichung möglich
- Wertvolle Übertragung von Theoretischem Wissen aus dem Studium in die Praxis
-
Studien-/abschlussarbeit - Strategien Zur
vor 4 Tagen
Fraunhofer-Gesellschaft Stuttgart, DeutschlandDie Fraunhofer-Gesellschaft betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist die weltweit führende Organisation für anwendungsorientierte Forschung. Rund Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 2,9 Milliarden Euro. · **Ausschre ...
Studien-/Abschlussarbeit (m/w/d) - Integration von Open Data Wetterdaten zur Verbesserung der Lastprognose - Stuttgart, Deutschland - Universität Stuttgart
Beschreibung
Abschlussarbeit (m/w/d)
Integration von Open Data Wetterdaten zur Verbesserung der Prognose von elektrischen Lasten industrieller Verbraucher unter Verwendung von Künstlicher Intelligenz (KI)
Prognosen stellen ein entscheidendes Instrument für verschiedene Optimierungsmaßnahmen in produzierenden Unternehmen dar. Sie ermöglichen die gezielte Optimierung von Energiekosten, die Anpassung von Produktionsreihenfolgen, die prädiktive Vermeidung von Lastspitzen sowie die frühzeitige Erkennung von Anomalien.
Im Forschungsprojekt FlexGUIde am Institut für Energieeffizienz in der Produktion EEP an der Universität Stuttgart wird u.a. daran geforscht, wie die Prognose von elektrischen Lasten für produzierende Unternehmen mithilfe von Künstlicher Intelligenz (KI) verbessert werden kann. Dazu müssen diverse Einflussfaktoren in der Modellierung berücksichtigt werden. Ein wesentlicher Faktor im Industriellen Kontext ist das Wetter: Die notwendige Energie für thermische Prozesse ist stark von der Außentemperatur abhängig. Ebenso basiert der Energiebedarf von Kühl- und Trocknungsanlagen maßgeblich auf der vorherrschenden Luftfeuchtigkeit. Darüber hinaus ist der Netzbezug davon beeinflusst, wie viel Photovoltaikleistung (PV-Leistung) an einem Tag zu erwarten ist. In der Vergangenheit wurden zur besseren Abschätzung dieser Variablen kommerzielle Wetterprognosen herangezogen, die jedoch mit hohen Kosten verbunden sind.
Problemstellung
Es ist bislang unklar, inwiefern diese kostspieligen Wetterprognosedienste einen Mehrwert gegenüber frei verfügbaren Open Data-Daten bieten. Es soll dazu eine detaillierte Analyse und Bewertung dieser beiden Datenquellen durchgeführt werden, um das Potential für die Optimierung der Lastprognosen zu ermitteln und die Einstiegshürden für KMUs mit geringem Budget zu verringern.
Forschungsfragen
Ziel und Bewertungsgrundlage dieser Arbeit ist die Beantwortung der folgenden Forschungsfragen:
Zielsetzung der Arbeit
Neben der theoretischen Beantwortung der o.g. Forschungsfragen soll die Arbeit eine generalisierbare Empfehlung zum Einsatz von Open Data für die Industrielle Lastprognose ableiten. Der (potentielle) Mehrwert des aktuellen kommerziellen Dienstes soll in Relation zur Investition gesetzt werden.
Es soll / sollen dazu
Mögliche Schritte
Was bringen Sie mit:
Was können Sie erwarten:
Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.
Die Arbeit findet am Institut für Energieeffizienz in der Produktion EEP der Universität Stuttgart statt. Ihr Arbeitsumfeld wird am Fraunhofer IPA am Campus in Vaihingen sein.
Haben wir Ihr Interesse geweckt? Dann bewerben Sie sich jetzt online mit Ihren aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Sie kennenzulernen
