Das ICT gratuliert Dipl.-Ing. Matthias Bittner für den Erhalt des Fakultätspreis der Fakultät Elektrotechnik und Informationstechnik für die Präsentation seiner Diplomarbeit
Mustererkennung in heterogenen Smart Grids
Der stetige Ausbau dezentraler meist erneuerbarer Energieerzeuger sowie das Wachstum der Elektromobilität stellen unser Stromnetz vor immer größere Herausforderungen. Die Energy&IT Gruppe des ICT forscht hier intensiv an neuen Konzepten und Lösungen und ist daher besonders stolz auf die erfolgreiche Zusammenarbeit mit der Siemens AG Österreich in der Smart Grid Forschung, welche diese Diplomarbeit ermöglicht hat.
Auch in Zukunft wird uns Matthias im Rahmen seines PhDs im CD Labor für Embedded Machine Learning des ICTs erhalten bleiben und wir freuen uns auf weitere spannende Projekte und eine weitere Stärkung der Zusammenarbeit mit Siemens.
Abstract der Arbeit: Bei einem Smart Grid nur die abgetasteten Netzmesswerte zu beobachten, ist eine altmodische und veraltete Art, solch ein hochdynamisches und heterogenes System zu betrachten. Vielmehr ist es notwendig, die Einflüsse der Umwelt (z.B. Wetter, saisonales Verhalten) und der Heterogenität (z.B. unterschiedliche Energiequellen und Verbraucher) in die Analyse und Optimierung mit einzubeziehen. Diese Arbeit geht daher von einer sehr abstrakten Sichtweise eines Smart Grids aus und stellt eine Pipeline für das Extrahieren von Mustern und einen Machine Learning Design Cycle vor. Die Pipeline legt Methoden und Konzepte zur Extraktion von Mustern in Bezug auf die Umwelt und die heterogenen Einflüsse dar. Dieser Schritt des Erkennens und Extrahierens von Mustern wird durch die Anwendung dieser Pipeline auf historische Daten eines bestehenden Testbeds in Aspern Wien, Österreich, erreicht. Der zweite Teil dieser Arbeit konzentriert sich auf den Machine Learning Design Cycle, der eine allgemeine Methodik für die Entwicklung von Machine Learning Konzepten basierend auf den extrahierten Mustern bereitstellt. Dies resultiert in Konzepten für die Vorhersage des Energieverbrauchs auf Basis von Umwelteinflüssen, das Clustering von Systemzuständen und die Erkennung von seltenen Events. Das übergeordnete Ziel all dieser Konzepte ist es, die Funktionalität, Zuverlässigkeit und Effizienz solch moderner Smart Grids zu optimieren.
Betreuer: Dipl.-Ing. Daniel Hauer, Ao.Univ.Prof. Dr. Thilo Sauter
