ETI 12-2023 Bachelor-/Masterarbeit: Vorhersagemodelle für neu gebaute PV Anlagen anwenden von Transfer Learning zum anpassen Bestehender Modelle

Organisationseinheit

Elektrotechnisches Institut (ETI)

Ihre Aufgaben

Photovoltaikanlagen werden immer verbreiteter und immer häufiger in Kombination mit Batteriespeichern betrieben. Kommen steuerbare Lasten wie z.B. Ladestationen für elektrische Fahrzeuge dazu, kommt ein zusätzlicher Freiheitsgrad hinzu. Um dies optimieren zu können, ist eine Vorhersage über die zukünftige Leistung der Photovoltaikanlagen essenziell. Bisherige Vorhersagemodelle basieren meist auf historischen Daten einer Anlage unter der Verwendung von maschinellen Lernverfahren. Wird jedoch eine Anlage neu in Betrieb genommen, existieren diese Daten aus der Vergangenheit nicht. Darum soll in dieser Arbeit untersucht werden, wie vorhandene Vorhersagen mittels Transfer Learning auf die neuen Anlagen übertragen werden können.

• Im Rahmen der Abschlussarbeit soll eine existierende PV-Prognose auf eine neue Anlage übertragen werden und analysiert werden, welche Veränderungen wie schnell erlernt werden können.
• Zunächst soll der Stand der Forschung anhand einer Literaturrecherche zu PV-Prognosen und Transfer Learning Methoden ermittelt werden.
• Anschließend soll eine bereits am Institut entwickelte PV-Prognose implementiert werden.
• Aus den recherchierten Transfer Learning Methoden soll eine Auswahl getroffen werden.
• Mit den Daten des KIT-PV-Feldes soll diese Prognose auf PV-Tischen mit anderen Ausrichtungen und Neigungen übertragen werden.
• Auch das Erlernen von Verschattungen und andere Einflüsse sollen untersucht werden.
• Das Ergebnis ist eine PV-Prognose die sich auf neue Umgebungsbedingungen anpassen kann und somit die Leistung für eine PV-Anlage prognostizieren kann ohne expliziten Zugriff auf historische Daten zu erhalten.
• Zur Validierung des entwickelten Algorithmus kann dabei auf bereits bestehende Prognosemodelle zurüggegriffen werden.

Eintrittstermin

nach Absprache

Ihre Qualifikation

Studiengang: Elektrotechnik, Maschinenbau, Mathematik, Mechatronik oder Informatik

Schwerpunkte: Theorie, Literatur, Simulation und Programmierung

Vorkenntnisse: zu maschinellen Lernverfahren und Programmierkenntnisse sind vorteihaft