Studien-/Abschlussarbeit (m/w/d) - Integration von Open Data Wetterdaten zur Verbesserung der L[...]

TN Germany; Stuttgart; Vor Ort; EUR 30.000 - 60.000; Vollzeit

Zusammenfassung

An innovative research project at a prestigious university seeks a motivated student for a thesis on integrating Open Data weather data to enhance load forecasting for industrial consumers. This role involves developing a machine learning pipeline, analyzing various data sources, and contributing to practical applications that can optimize energy costs and production schedules. You'll gain valuable experience in a collaborative environment, where your ideas can flourish and potentially lead to publication. Join a team that values diversity and fosters your academic knowledge in a real-world setting.

Leistungen

Flexible working hours

Opportunity to publish research

Supportive learning environment

Access to university resources

Qualifikationen

• Fundierte Kenntnisse im Bereich Machine Learning und Programmierung.
• Erste Erfahrungen mit relevanten Bibliotheken wie pandas und sklearn.

Aufgaben

• Entwicklung einer Machine Learning Pipeline zur energetischen Prognose.
• Integration von Open Data und kommerziellen Wetterdaten zur Verbesserung der Prognose.

Kenntnisse

Machine Learning

Python

pandas

sklearn

PyTorch

TensorFlow

Mathematics

Communication Skills

Teamwork

Self-organization

Ausbildung

Bachelor's Degree in Computer Science or related field

Master's Degree in relevant field

Tools

Excel

Word

Jobbeschreibung

Studien-/Abschlussarbeit (m/w/d) - Integration von Open Data Wetterdaten zur Verbesserung der Lastprognose, Stuttgart

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:

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

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

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

Mögliche Schritte

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

Was bringen Sie mit:

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

Was können Sie erwarten:

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

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!