Kontaktperson für Abschlussarbeiten

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.

Übersicht über Abschlussarbeiten

Eine aktuelle Übersicht über alle Abschlussarbeiten finden Sie auch unter https://l.uol.de/desthesistopics.

Bereich "Reinforcement Learning zur Schwachstellenanalyse in Elektrischen Netzen"

Allgemeine Informationen zum Themenbereich

Motivation

Elektrische Netze können das Ziel von systematischen Angriffen werden, die terroristisch oder wirtschaftlich motiviert sein können. Besonders die wirtschaftlich motivierten Angriffe werden in der Wissenschaft meist vernachlässigt. Angreifer können Schwachstellen im Energiesystem ausnutzen, indem Sie koordinierte Angriffe durchführen, um systematisch Randbedingungsverletzungen oder Instabilitäten zu induzieren. Das ist bspw. durch die koordinierte Steuerung von Generatoren oder Lasten möglich. Wirtschaftlich können solche Angriffe genutzt werden, indem nach erfolgreichem Angriff die Gegenmaßnahme als Systemdienstleistung an den Netzbetreiber verkauft wird. Das heißt die Angreifer werden für die Behebung eines Problems bezahlt, das sie selbst herbeiführen können. Dies erfolgt auf sogenannten Systemdienstleistungsmärkten, die im Moment von der EU stark vorangetrieben werden und eigentlich die Effizienz und Stabilität des Energiesystems verbessern sollen.

Ansatz

Es sind Tools nötig, die in der Lage sind solche Schwachstellen und fehlerhafte Designs in Energiesystemen aufzudecken, damit anschließend Gegenmaßnahmen identifiziert werden können. In meinem Dissertations-projekt verwende ich Reinforcement Learning, um einen Agenten zu trainieren, der lernt das gekoppelte Energie-Markt-System anzugreifen und so Profite zu generieren, um so potenzielle Schwachstellen automatisiert zu finden. Im nächsten Schritt sollen systematisch Gegenmaßnahmen evaluiert werden, bspw. ein lernender Verteidiger-Agent im Energiesystem oder auch alternative Marktdesigns, die keine Fehlanreize setzen.

Betreuung

Im Rahmen meines Dissertationsprojekts können immer wieder Bachelor- und Masterarbeiten vergeben werden, die im Themenbereich Energie, Machine Learning und auch Märkten liegen. Eine einzelne Abschlussarbeit fokussiert sich aber meist nur auf 1-2 der drei Themenbereiche. Wenn Interesse an dem Themenbereich besteht, meldet euch gerne bei mir für einen Termin, um spezifische Themen zu besprechen.

Kontakt

Thomas Wolgast, M.Sc.

+49(0)441 798 - 2753

https://uol.de/des/team/thomas-wolgast

Lernen von Angriffen auf Energiesysteme ohne Kenntnis des Netzmodells
Masterarbeit

Motivation

In einer vergangenen Arbeit ist es gelungen mit der oben beschriebenen Methode eine neue Angriffsmethode aufzudecken (noch unveröffentlicht). Dabei werden steuerbare Lasten wie z. B. Kühlgeräte synchronisiert geschaltet, um so systematisch das Spannungsniveau abzusenken und so den Netzbetreiber zu Gegenmaßnahmen zu zwingen. Anschließend wurden auf einem Flexibilitätsmarkt die Gegenmaßnahmen gewinnbringend vermarktet, da der Netzbetreiber nun auf diese angewiesen ist.

Problemstellung

Der Angriff wurde mit Reinforcement Learning nachgewiesen, unter Verwendung eines Modells von Energiesystemen und Markt. Diese Methode ist damit zwar für den Netzbetreiber nutzbar, um solche Schwachstellen und Fehlanreize aufzudecken, aber ein potenzieller Angreifer hat diese Informationen üblicherweise nicht. Entsprechend ist unklar, ob ein echter Angreifer tatsächlich in der Lage wäre die gefunden Schwachstelle auszunutzen.

Aufgabenstellung

Im Laufe der Arbeit soll untersucht werden ob und wie gut ein Angreifer in der Lage wäre die genannte Angriffsstrategie zu lernen, wenn kein detailliertes Modell des Energiesystems zur Verfügung steht. Es gibt aber frei verfügbare Benchmark-Energieysteme, die als Trainingsgrundlage dienen könnten. Die Idee ist den Angreifer auf möglichst vielen öffentlich verfügbaren Modellen zu trainieren und anschließend auf einem bisher unbekannten Energieystem zu testen. Damit kann überprüft werden, ob die Angriffsstrategie übertragbar ist. Dazu müssen zunächst einmal die Benchmark-Netze und realitätsnahe Daten beschafft werden. Weiterhin muss der Trainingsprozess so gestaltet werden, dass der Agent auf mehreren Energieystemen mit potenziell sehr unterschiedlichen Eigenschaften lernen kann. 

 

Kontakt

Thomas Wolgast, M.Sc.

+49(0)441 798 - 2753

https://uol.de/des/team/thomas-wolgast

 

Bereich "Open Science in der Energieforschung"

Metadaten für Regelleistungsmärkte
Masterarbeit

 

Hintergrund der Arbeit:

Offene Forschungsdaten spielen eine zunehmend wichtige Rolle in der Wissenschaft. Dabei sollen Daten möglichst nach dem FAIR-Prinzip vorliegen. FAIR steht dabei für Findable, Accessible, Interoperable und Re-usable. [1] Einen wesentlichen Beitrag zu FAIRen Daten liefern Metadaten, die Datensätzen beigefügt werden. Metadaten beschreiben Datensätze und liefern Kontextwissen, sodass die Datensätze richtig verwendet werden können. Metadaten sind nach den FAIR-Kriterien essenziell, um Daten gut finden und nachnutzen zu können.

Im Rahmen der Energieforschung werden häufig ökonomische Aspekte z.B. von Energiespeichern anhand von historischen Marktdaten verschiedener Energiemärkte analysiert. Darunter fallen unter anderem Märkte für Systemdienstleistung wie die Regelleistungsmärkte für primäre, sekundäre und tertiäre Regelleistung.

Im Rahmen einer Bachelorarbeit wurde bereits ermittelt, dass zwar historische Marktdaten von Regelleistungsmärkten veröffentlicht werden, aber diesen Daten geeignete Metadaten fehlen.

Eine Grundlage für Metadaten stellt ein geordnetes Begriffsverständnis da, das in der Informatik als Ontologie bezeichnet wird. In der Energieforschungscommunity gibt es entsprechende Ansätze zur Erstellung und Kopplung von Ontologien, die eine gute Grundlage für Metadaten darstellen können. [2]

Zielsetzung der Arbeit:

Im Rahmen der Masterarbeit sollen zunächst die Anforderungen an Metadaten für Regelleistungsmarktdaten aus Sicht des generellen Forschungsdatenmanagement sowie aus der Energieforschung analysiert werden. Anschließend soll sowohl eine Recherche nach bisherigen Arbeiten zu entsprechenden Ontologien als auch nach möglichen Datenquellen für Metadaten erarbeitet werden.

Im nächsten Schritt soll ein Vorschlag für ein mögliches Metadatenschema für Regelleistungsmarktdaten entwickelt werden.

Im letzten Schritt soll in einem kleinen Tool gezeigt werden, wie Regelleistungsmarktdaten automatisch bezogen und anschließend mit entsprechenden Metadaten versehen werden können.

Die Aufgabe teilt sich in folgende Arbeitspakete:

  1. Erhebung der Anforderungen an die Metadaten
  2. Recherche nach existierenden Ontologien der entsprechenden Forschungsbereiche
  3. Recherche nach bisherigen Veröffentlichungen von Regelleistungsmarktdaten
  4. Entwicklung eines Vorschlages für Metadaten für Regelleistungsmarktdaten
  5. Umsetzung Verknüpfung von Regelleistungsmarktdaten und Metadaten-Anreicherung

Voraussetzungen:

  • Lust darauf, energiewirtschaftliche Zusammenhänge kennen zu lernen
  • Lust auf die Einarbeitung in Ontologien
  • Idealerweise Grundkenntnisse in einer Skriptsprache (z.B. Python)

 

Beginn:                Sommersemester 2021

Kontakt

Stephan Ferenz, M.Sc.

+49(0)511 762-18366

 

Literatur:

[1]           M. D. Wilkinson u. a., „The FAIR Guiding Principles for scientific data management and stewardship“, Sci Data, Bd. 3, Nr. 1, Art. Nr. 1, März 2016, doi: 10.1038/sdata.2016.18.

[2]           L. Emele u. a., „The Open Energy Ontology“. .

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

 

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

 

Kontakt und Betreuer

Paul-Hendrik Tiemann

Bereich "Anomalieerkennung in Cyber-physischen Energiesystemen"

Anomalieerkennung in Cyber-physischen Systemen mittels rekurrenter Autoencoder
Bachelorarbeit / Masterarbeit

 

Hintergrund der Arbeit:

Das Stromnetz ist eine der kritischsten Infrastrukturen der modernen Gesellschaft. Als hochentwickeltes Cyber-physisches System (CPS) beruht sein Betrieb in hohem Maße auf der engen Kopplung zwischen der physikalischen Schicht (elektrischer Energieträger) und der Cyberschicht (Daten- und Informationsträger). Die Aufrechterhaltung einer hohen Verfügbarkeit und Sicherheit sowohl der Cyber- als auch der physischen Schicht ist entscheidend, um sicherzustellen, dass der Stromerzeugungs- und -verbrauchsprozess nicht gestört wird. Verschiedene Faktoren, wie natürliche Gerätedefekte, menschliche Fehler und Cyber-Angriffe können jedoch zu einer schwerwiegenden Unterbrechung des Betriebs eines CPS führen. [1]

Die rechtzeitige Erkennung solcher Faktoren in Form von Anomalien ist daher eine wichtige Aufgabe in CPS. Dabei werden häufig auf Machine Learning (ML) basierende Verfahren verwendet, da sich diese als praktikabel erwiesen haben [2]. Autoencoder (AE) sind auf künstlichen neuronalen Netzen basierende Modelle, die für die Verwendung zur Anomalieerkennung in letzter Zeit an großer Bedeutung gewonnen haben. Für die Erkennung von Anomalien in Zeitreihen, wie sie beispielsweise in CPS auftreten, haben sich dabei rekurrente Netztopologien, wie Long Short-Term Memory Networks (LSTM) AE, als praktikabel erwiesen [3].

Zielsetzung der Arbeit:

Das Ziel der Arbeit ist die Entwicklung, das Training und die Evaluation eines rekurrenten AE auf einem Datensatz, welcher in einem CPS aufgezeichnet wurde. Im Rahmen der Evaluation soll das Modell dabei gegen weitere Modelle zur Anomalieerkennung getestet werden.

Die Arbeit teilt sich in folgende Arbeitspakete:

  1. Einarbeitung in die Anomalieerkennung mittels rekurrenter AE
  2. Recherche und Auswahl eines geeigneten Datensatzes
  3. Entwicklung von Modellen zur Anomalieerkennung
  4. Evaluation der trainierten Modelle

Voraussetzungen:

  • Idealerweise Grundkenntnisse in einer Skriptsprache (z.B. Python)
  • Grundkenntnisse über Machine Learning (z.B. aus der VL inf598 Deep Learning)

Beginn:                jederzeit

Kontakt

Torge Wolff, M.Sc.

 

Literaturverzeichnis:

[1]

Z. Fengming, L. Shufang, G. Zhimin, W. Bo, T. Shiming und P. Mingming, „Anomaly detection in smart grid based on encoder-decoder framework with recurrent neural network,“ in The Journal of China Universities of Posts and Telecommunications, 2017.

[2]

C. Aggarwal, Outlier Analysis, Springer International Publishing, 2017.

[3]

J. Goh, S. Adepu, M. Tan und L. Z. Shan, „Anomaly Detection in Cyber Physical Systemsusing Recurrent Neural Networks,“ in IEEE 18th International Symposium on High Assurance Systems Engineering (HASE), 2017.

 

 

Performanzvergleich von Machine-Learning-Modelle zur Anomalie-Detektion auf Stromverbrauchsdaten
Bachelorarbeit

Besonders an dieser Arbeit ist, dass sie im direkten Kontakt mit Unternehmensvertretern stattfindet und eine Verbindung in die Praxis herstellt. Bei guten Ergebnissen besteht die Möglichkeit die erarbeiteten Modelle kurzfristig im Tagesgeschäft von mittelständischen Betrieben in ganz Deutschland anzuwenden.
 


Motivation:


In Industrie- und mittelständischen Unternehmen kommen häufig Anlagen zum Einsatz, deren Betrieb große Strommengen erfordert. Zeitweise kann es z.B. durch falsche Einstellungen oder Defekte dazu kommen, dass diese Energie unnötig oder zur falschen Zeit verbraucht wird. Dies verursacht zusätzlichen CO2-Ausstoß und kann zu erhöhten Kosten für die Unternehmen führen. Durch ein regelmäßiges Überprüfen der Stromverbrauchsdaten könnte solch ein Verhalten zeitnah erkannt werden. Dies wird heute jedoch nur in wenigen Unternehmen regelmäßig durchgeführt, weil es viel Aufwand für die jeweiligen Mitarbeitenden bedeutet.


Arbeit (vorheriges Forschungsseminar möglich):


In einer Bachelorarbeit soll ein auf Machine Learning-Methoden basierendes Modell (Local Outlier Factor und Autoencoder), das bereits für eine Anomalie-Detektions-Anwendung entwickelt wurde, optimiert und erweitert werden. Es soll vollautomatisch also ohne menschliches Eingreifen trainiert werden und mit hoher „Precision“ Anomalien in Stromverbrauchsdaten erkennen können. Anschließend soll es auf den Daten von realen Unternehmen aus verschiedenen Branchen getestet werden.

 

Die Aufgabenstellung umfasst:

 

  • eine Recherche zur Anomalieerkennung mit Machine-Learning-Algorithmen sowie Bewertungsgrößen (für Forschungsseminar etwas umfangreicher)
  • Implementierung einer Erweiterung der bestehenden Anomalie-Detektion
  • Vergleich der Performanz für Stromverbrauchsdaten verschiedener Unternehmen im Austausch mit Partnern aus der Wirtschaft

 

Voraussetzungen:

  • Wichtig ist, zu selbstständigem Arbeiten auch im Austausch mit dem Praxispartner in der Lage zu sein.
  • Bei vorheriger Bearbeitung des Forschungsseminars auf demselben Thema ist kein Vorwissen im Bereich Machine Learning erforderlich. Andernfalls sollte eine Veranstaltung mit Machine Learning-Bezug belegt worden sein.

 

Kontakt:

Paul Hendrik Tiemann, M.Sc.

+49(0)441 798-2751

 

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: 30.04.2021)