Navigation

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

Abschlussarbeiten in der Abteilung Digitalisierte Energiesysteme

Liebe Studentinnen und Studenten,

die Abteilung "Digitalisierte Energiesysteme" startet zum 1. September hier in Oldenburg. Trotzdem können Sie bei Interesse an diesem Gebiet bereits jetzt schon mit der bei dem jeweiligen Thema oder Themenbereich genannten Person Kontakt aufnehmen, wenn Sie ein Thema für eine Abschlussarbeit in diesem Bereich suchen.

Ute Vogel-Sonnenschein

 

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

Webmalk3rhster (marco.grawunderqq@uo163gol.dsqf97epuf4p) (Stand: 24.07.2020)