Kontakt

Universität Oldenburg
Fk. II – Department für Informatik
Abteilung Digitalisierte Energiesysteme
26111 Oldenburg

Sekretariat

Meike Burke

A05 2-227

+49 (0) 441 - 798 2878

+49 (0) 441 - 798 2756

Leitung

Prof. Dr. Astrid Niesse 

A05 2-226

+49 (0) 441 - 798 2750

+49 (0) 441 - 798 2756

Abschlussarbeiten

Abschlussarbeiten

Liebe Studierende,

wir betreuen gerne Ihre Bachelor- oder Masterarbeit, insbesondere in den Studiengängen Informatik und Wirtschaftsinformatik. Schauen Sie sich einfach in den ausgeschriebenen Arbeiten um und melden sich bei Interesse. Falls Sie unter den ausgeschriebenen Arbeiten nichts finden, sprechen Sie uns trotzdem gerne an und wir finden gemeinsam mit Ihnen ein spannendes Forschungsthema.

Dafür teilen Sie uns am besten Ihre bisherigen Kenntnisse, den ungefähren Startzeitpunkt und thematische Interessen mit. Lassen Sie sich dafür gerne von den hier aufgelisteten Themen inspirieren. Eine Auflistung Ihrer belegten Module würde uns bei der Themensuche helfen.

Melden Sie sich dafür einfach bei Thomas Wolgast. Dieser wird dann organisieren, dass Ihnen ein oder mehrere Themen innerhalb der Abteilung vorgeschlagen werden.

Wir betreuen insbesondere Arbeiten in den Themengebieten:

  • Multi-Agentensysteme
  • Verteilte Algorithmen
  • Machine Learning
  • Spieltheorie
  • Marktdesign

Generell sind die meisten unserer Arbeiten im Energiesystem angesiedelt, aber auch Arbeiten ohne Energietechnik-Bezug in den genannten Themengebieten sind denkbar.

Bei sehr guten Leistungen unterstützen wir sehr gerne eine anschließende Veröffentlichung der Forschungsergebnisse in Form einer gemeinsamen wissenschaftlichen Publikation.

Bereich "Machine Learning zur Echtzeit-Optimierung von Elektrischen Netzen"

Allgemeine Informationen zum Themenbereich

Motivation

Durch den Ausbau von Wind- und Photovoltaik-Anlagen kommt es zu fluktuierenden Einspeisungen in den elektrischen Netzen. Dies wiederum führt lokal zu schwankenden Spannungsniveaus sowie überlasteten Leitungen und gefährdet sowohl Netzstabilität als auch Versorgungssicherheit. Eine Möglichkeit diesen Problemen entgegenzuwirken ist ein massiver Ausbau der Netze, der aber teuer und gesellschaftlich unerwünscht ist. Um die bereits bestehenden Netze bestmöglich auszunutzen und so den nötigen Netzausbau zu reduzieren, sollten die Netze möglichst kontinuierlich in einem optimalen bzw. annähernd optimalen Zustand gehalten werden. Das klassische Verfahren diesen Optimalzustand zu ermitteln nennt sich Optimal Power Flow (OPF). Bei dem OPF handelt es sich um ein großskaliges nicht-lineares, nicht-konvexes, gemischt-ganzzahliges Optimierungsproblem. Entsprechend lange dauert die Optimierung, wodurch die Netze nur schwierig in Echtzeit optimiert werden können, weil die Ergebnisse für einen Netzzustand gültig sind, der bereits nicht mehr aktuell ist.

Ansatz

In meinem Dissertationsprojekt verwende ich Neuronale Netze, um den Optimierungsprozess für gegebene elektrische Netze zu approximieren und so zu beschleunigen. Dabei erzeuge ich simulativ und mit offline-Optimierungen einen Trainingsdatensatz, der die jeweiligen Netzzustände mit ihren dazugehörigen optimalen Sollwert-Vektoren mappt. Mit diesem Datensatz können Neuronale Netze mithilfe von klassischem Supervised Learning trainiert werden, sodass sie dieses Mapping reproduzieren können. Dadurch wird der Ergebnisabruf deutlich beschleunigt, da die komplexe Optimierung in eine einfache Matrix-Multiplikation umgewandelt wird. Neben Supervised Learning untersuche ich zusätzlich die Verwendung von Unsupervised Learning zur Lösung des Problems.

Betreuung

Im Rahmen dieses Dissertationsprojekts können immer wieder Bachelor- und Masterarbeiten vergeben werden, die entweder deutlichen Energietechnik-Bezug haben oder auch eher im reinen Machine Learning angesiedelt sind. Wenn Interesse an dem Themenbereich besteht, meldet euch gerne bei mir für einen Termin, um spezifische Themen zu besprechen.
Stand jetzt bin ich noch Mitarbeiter der Universität Hannover, werde aber ab dem 1. September 2020 an die Universität Oldenburg an die neu gegründete Abteilung Digitalisierte Energiesysteme wechseln. Eine Betreuung von Abschlussarbeiten wäre ab dann direkt möglich.

Kontakt

Thomas Wolgast, M.Sc.

+49(0)511 762 2912

Generierung von Trainingsdatensätzen für Neuronale Netze

Bachelorarbeit oder Masterarbeit

Motivation

Am Fachgebiet wird ein Algorithmus entwickelt, um komplexe Optimierungen in Energiesystemen mit Künstlichen Neuronalen Netzen zu approximieren und so schneller und echtzeitfähig lösbar zu machen. Das entstehende Neuronale Netz soll zur Echtzeit-Optimierung von elektrischen Netzen eingesetzt werden. Der Datensatz für das Training wird simulativ erzeugt, indem die Optimierung mehrere zehntausend Male mit verschiedenen Eingangs-Parametern durchgeführt und anschließend die Ergebnisse abgespeichert werden. Durch die Komplexität der Optimierung ist dieser Prozess sehr zeit- und rechenintensiv. Deswegen stellt sich die Frage wie der sehr große Suchraum sinnvoll abgesampelt werden kann, sodass möglichst wenige Optimierungen durchgeführt werden müssen und trotzdem gute Trainingsergebnisse erzielt werden können.

Problemstellung

In einer vorherigen Arbeit wurde reines random sampling verwendet und es konnten gute Ergebnisse auf einem random-Testdatensatz erzielt werden. Zusätzlich wurde das trainierte Neuronale Netz auf einen realitätsnahen Testdatensatz angewendet,der auf echten Zeitreihen in Energiesystemen basiert. Dort wurden schlechtere Ergebnisse erzielt als auf dem random-Datensatz, was auf einen Bias hindeutet, der von reinem random sampling nicht ausreichend abgebildet werden kann. Beispielsweise bestehen in echten Energiesystemen starke Kovarianzen: Wenn eine Solaranlage mit voller Leistung einspeist, speisen meist auch alle anderen Anlagen mit hoher Leistung ein. Das Gleiche gilt für Windanlagen und für den Energieverbrauch von Haushalten sowie Industrie. Die Hypothese ist, dass dieser systematische Bias in der Trainingsdatengenerierung berücksichtigt werden muss und somit alternative Ansätze zum random sampling gefunden werden müssen.

Aufgabenstellung

Im Laufe der Arbeit sollen verschiedene Methoden für die Trainingsdatengenerierung entwickelt, getestet und verglichen werden. Denkbare Methoden sind:

  • Reines random sampling (als base-case)
  • Kovarianzen von Wind, Solar, etc.
  • Trainieren mit realistischen Daten (statt nur Testen)
  • Kombinationen aus den vorherigen Ansätzen
  • Etc.

Mit den verschiedenen Trainingsdatensätzen sollen anschließend Neuronale Netze trainiert werden und auf einen random sowie einen realitätsnahen Testdatensatz angewendet werden. Dabei sollen Vor- und Nachteile der jeweiligen Methoden diskutiert werden und die Methode identifiziert werden, die gute Ergebnisse für beide Testdatensätze erzielt, um Performanz und Generalisierungsfähigkeit sicherzustellen. Der Fokus der Arbeit liegt auf der Methodenentwicklung zur Generierung der Trainingsdatensätze, nicht auf der Weiterentwicklung des eigentlichen Trainingsverfahrens. Hier kann der bereits implementierte Code verwendet werden.

Kontakt

Thomas Wolgast, M.Sc.

+49(0)511 762 2912

Bereich "Open Source Flexibilitätssimulation"

Zur Zeit sind keine Themen in diesem Bereich vorbereitet.

Zur Zeit sind keine Themen in diesem Bereich vorbereitet.

Bei Interesse wenden Sie sich bitte an Thomas Wolgast.

Bereich "Design verteilter Märkte für Systemdienstleistungen"

Entwicklung eines Marktmechanismus für eine agenten-basierte, verteilte Regelleistungsaggregation

Masterarbeit

Motivation

Im Rahmen des Ausbaus von erneuerbaren Energiequellen werden immer größere Teile unseres elektrischen Energiesystems automatisiert. Dadurch steigt auf der einen Seite die Gefahr vor Cyber-Angriffen und auf der anderen Seite das Risiko, dass unvorhergesehenes Agieren von Akteuren am Energiemarkt Gleichzeitigkeitseffekte auslöst, die die unterbrechungsfreie Stromversorgung gefährden. Systemdienstleistungen wie die Regelleistung oder der Redispatch zum Beispiel werden weitgehend von einzelnen Servern bei großen Übertragungsnetzbetreibern aus organisiert. Fallen diese Server aus oder stehen zeitweise nicht ausreichend viele, flexible Anlagen zur Verfügung, drohen großflächige Stromausfälle in Europa.

Ein Ansatz, dieses Risiko zu verringern, ist die Verwendung von verteilten Systemen, mit denen sich die Resilienz von cyber-physikalischen Systemen wie dem Stromsystem erhöht. Gleichzeitig werden im Rahmen der Energiewende und als Folge europäischer Gesetzgebung gerade Märkte für Systemdienstleistungen auch aus den unteren Netzebenen implementiert. Konsequenterweise soll daher an der Abteilung Digitalisierte Energiesysteme ein verteilter Markt zur Aggregation von Regelleistung entwickelt werden.

Für den Entwurf dieses Marktes müssen sowohl seine Mechanismen als auch die Perspektiven der Marktteilnehmer betrachtet werden. Im Modell kann Verhalten vorhergesagt und können Marktregeln ausprobiert werden, ohne sie aufwändig in der Realität einführen zu müssen. Eine Möglichkeit, rationales oder strategisches Verhalten zu modellieren, ist die Verwendung von spieltheoretischen Methoden. Als „Mechanism Design“ sind diese Teil des Forschungsfeldes „Market Engineering“. Werden diese Methoden in die Simulation eines Agentensystems eingebaut, lässt sich abschätzen, wie effizient und zuverlässig ein Markt funktioniert.

Arbeit

In einer Arbeit soll ein existierendes Simulationsmodell eines verteilten Marktes zur Aggregation von Regelleistungsprodukten mit einem wissenschaftlich begründeten Marktmechanismus ergänzt werden. Die Arbeit handelt davon, wie ein effizienter Marktmechanismus aussehen muss, damit Agenten untereinander Regelleistung handeln und sich zusammenfinden können, ohne zu schädlichem Verhalten im Hinblick auf die Versorgungssicherheit angereizt zu werden.

Die Aufgabenstellung umfasst:

  • eine Recherche zu existierenden Marktkonzepten und Strategien der Teilnehmer europäischer Regelleistungsmärkte,
  • Entwurf eines Marktmechanismus für einen verteilten Regelleistungsmarkt mit Methoden des Market Engineering sowie
  • Erweitern eines existierenden Simulationsmodells einer verteilten Regelleistungsaggregation (Python) um den Marktmechanismus sowie um einfaches Bietverhalten der Marktteilnehmer

Beginn:

Wintersemester 2020/2021

Kontakt und Betreuer

Paul-Hendrik Tiemann

Optimierung einer Flexibilitätsmodellierung für Batteriespeicher

Bachelorarbeit

Motivation

Damit auch bei einem weiteren Ausbau der erneuerbaren Energiequellen deren volatil erzeugte Elektrizität genutzt werden kann und nicht zu Problemen im Stromnetz führt, werden immer größere Teile unseres elektrischen Energiesystems automatisiert. Um rechnergestützt optimierte Fahrweisen von Anlagen berechnet werden können, werden Modelle benötigt, die deren Flexibilität möglichst präzise abbilden können. Damit wird ausgedrückt, zu welchem Zeitpunkt beispielsweise Batteriespeicher welche Energiemenge mit welcher Leistung abgeben oder aufnehmen können.

Aggregatoren optimieren die Fahrweise vieler Anlagen und bringen sie gebündelt an den Energiemarkt sowie unterschiedliche Systemdienstleistungsmärkte. Dafür rufen sie die Flexibilität von beispielsweise Batteriespeichern oder erneuerbaren Energiequellen dezentral ab und codieren sie, um sie anschließend möglichst verlustfrei an einen zentralen Server zu übertragen. Dieser optimiert im Anschluss die Fahrweise gegenüber den Märkten. Werden beispielsweise Batteriespeicher an ihrem Einsatzort gleichzeitig dazu verwendet, aus energiewirtschaftlichen Gründen Lastspitzen zu kappen oder den Eigenverbrauch einer PV-Anlage zu maximieren, müssen diese Anforderungen bei der Flexibilitätsbestimmung berücksichtigt werden können, um sie an den Optimierungsserver zu übermitteln.

Das Berücksichtigen von Batteriewirkungsgraden stellt hierbei eine besondere Herausforderung dar. Sie wirken beim Ein- und Ausspeichern nichtlinear auf die jeweiligen Energieflüsse ein und erschweren dadurch das präzise Modellieren der Flexibilität. Obwohl ein gutes Modell sehr genau sein kann, ist es vorgehensbedingt nicht möglich, die Fähigkeiten zur flexiblen Fahrweise z.B. von Batteriespeichern vollständig auszudrücken.

Arbeit

In einer Arbeit soll ein für die Übermittlung der Fähigkeiten zur flexiblen Fahrweise von Batteriespeichern existierendes mathematisch-technisches Modell durch eine möglichst korrekte Berücksichtigung von Wirkungsgraden erweitert werden.

Die Aufgabenstellung umfasst:

  • eine kurze Darstellung existierender Flexibilitätsmodelle und möglicher Visualisierungen
  • Umsetzung mehrerer Lösungsansätze zum Ausdrücken zulässiger Fahrpläne mittels des entwickelten Flexibilitätsmodells unter Berücksichtigung von Wirkungsgraden
  • Vergleichen der durch die Lösungsansätze zulässig ausgedrückten Flexibilitätsmengen

Beginn:

Wintersemester 2020/2021

Kontakt und Betreuer

Paul-Hendrik Tiemann

Umweltinformatik- und andere Themen

Business Intelligence zur Unterstützung eines indikatorbasierten Verbrennungsprozesses

Masterarbeit

Motivation

In einer Müllverbrennungsanlage (MVA) wird nicht nur Abfall „entsorgt“, es wird auch Energie in Form von Wärme und Strom bereitgestellt. Allerdings ist der Verbrennungsprozess ein höchst komplexer Prozess, der vielen verschiedenen Variablen folgen muss. Unbedingt müssen die in Deutsch-land vorgeschriebenen Emissionsgrenzwerte eingehalten werden und limitieren somit eine effiziente Verbrennung aus energetischer Sicht. Ist es daher möglich, mittels Methoden aus der Informatik wie Business Intelligence, Machine Learning sowie Bilderkennungsverfahren eine Optimierung des Verbrennungsprozesses einer MVA zu erreichen?

Aufgabenstellung:

Ihre Aufgabe ist es, bereitgestellte Daten aus einer laufenden MVA in einer Datenbank zu organi-sieren und auszuwerten. Als Ziel soll eine Entscheidungsunterstützung entwickelt werden, die aus-gewählte notwendige Indikatoren des Verbrennungsprozesses beinhaltet und im Ergebnis des Ver-brennungsprozess optimiert (von der Aufgabe in die Verbrennung bis zum Ascheabwurf. Empfohlene Methoden sind Data Mining und Data Warehouse aus der Business Intelligence und Machine Learning. Erfahrungen im Umgang mit Matlab ist auch empfehlenswert. Die Arbeit wird wegen Corona Bedingungen komplett im Home Office erstellt. Studierende mit Vorkenntnissen aus der Ver-fahrenstechnik sind wünschenswert aber keine Bedingung. Unterstützt wird die Arbeit durch Kolle-ginnen vom Institut für Kraftwerkstechnik und Wärmeübertragung der Leibniz Universität Hannover.

Aufgrund der Komplexität des Themas wird das Thema nur eine Masterarbeit vergeben.

Fachrichtung: Informatik, Wirtschaftsinformatik. Umweltmodellierung

Beginn

ab sofort

Kontakt

Dr.-Ing. Alexandra Pehlken

 Prof. Dr. Astrid Nieße

(Stand: 06.11.2020)