Open Thesis

Motivation
Smart Meter sind zunehmend weit verbreitet und liefern wertvolle Daten, die uns im Rahmen eines Forschungsprojektes bereits vorliegen. Diese Daten werden besonders relevant, da in Zukunft deutlich mehr energieverbrauchsintensive Komponenten, wie insbesondere Wärmepumpen, bei Endkunden installiert sein werden. Für Stromversorger ist es daher wünschenswert, diese Komponenten auf Gebäudeebene automatisch (d.h. ohne kundenseitige Abfrage) nur anhand der Daten zu erkennen. Darauf basierend können bessere Prognosen über den langfristigen Zubau und den sich erhöhenden Strombedarf erstellt werden.

Zusätzlich bieten Smart-Meter-Daten die Möglichkeit, außergewöhnliche Ereignisse und Veränderungen zu erkennen. Dazu zählen beispielsweise die Auswirkungen der Corona-Pandemie, die ganze Gruppen von Haushalten in dem Fall durch die starke Zunahme von Home-Office betrifft. Es stellt sich hierbei die Frage, inwiefern anhand der Verbrauchsänderung zwischen 2019 und 2020 die Gruppe der Home-Officebetreibenden Haushalte identifiziert werden kann.

Ziele der Arbeit / Arbeitsschritte

1. Teil Komponentendetektion:
   1. Datenaufbereitung, -bereinigung und Imputation
   2. Erstellung aggregierter Zeitreihen aus bereits getrennt gemessenen Wärmepumpen-Profilen und Haushaltslasten
   3. Entwicklung von Algorithmen zur Differenzierung von Haushaltslastprofilen (ohne Wärmepumpe) und solcher mit Wärmepumpe
   4. Evaluation der Algorithmen und Anwendung auf Gebäude mit unbekanntem Heizungstyp
2. Teil Sondereffektanalyse:
   1. Anwendung von Changepoint-Detection-Algorithmen auf Ebene der einzelnen Zeitreihen je Haushalt
   2. Vergleichende Analyse der Ergebnisse mit einem clusterbasierten Ansatz zur Identifikation der Home-Office-Haushalte

Voraussetzungen

• Studium der Informatik oder eines verwandten Faches
• Interesse an der Gestaltung zukünftiger Energiesysteme sowie deren
• Modellierung, Simulation und Optimierung
• Selbstständige und eigenverantwortliche Arbeitsweise
• Sicherer Umgang mit Python

Interesse an der Arbeit? Einfach eine E-Mail an daniel.bayer@uni-wuerzburg.de

Motivation

Elektrofahrzeuge (EVs) spielen eine entscheidende Rolle bei der Reduzierung von Treibhausgasemissionen im Verkehrssektor. Allerdings stellen lange Ladezeiten eine Herausforderung dar, insbesondere für hoch ausgelastete Flotten wie Elektrobusse. Batteriewechselsysteme bieten eine vielversprechende Alternative, da sie einen schnellen Austausch entladener Batterien ermöglichen, Standzeiten minimieren und die Flotteneffizienz steigern.

Jüngste Entwicklungen, wie das vollautomatische Batteriewechselsystem von Nio für private Fahrzeuge, verdeutlichen das Potenzial dieser Technologie. Ihre Anwendung auf elektrische Busflotten ist jedoch noch wenig erforscht, obwohl sie aufgrund hoher Energieanforderungen und betrieblicher Einschränkungen besonders profitieren könnte.

Diese Arbeit zielt darauf ab, die Flottenbetriebsoptimierung zu verbessern, Infrastrukturkosten zu senken und intelligente Energiesysteme zu integrieren, um zur nachhaltigen Transformation des öffentlichen Verkehrs beizutragen.

Ziele der Arbeit

1. Untersuchung des Potenzials zur Reduzierung der Flottengröße durch verkürzte Ladezeiten.
2. Entwicklung eines kostenoptimalen Lade- und Wechselsystems.
3. Bestimmung des wirtschaftlichen Break-even-Punkts für die Technologie.

Anforderungen

• Studium der Informatik oder eines verwandten Fachs.
• Interesse an der Gestaltung zukünftiger Energiesysteme sowie deren Modellierung, Simulation und Optimierung.
• Selbstständige und verantwortungsbewusste Arbeitsweise.
• Sicherer Umgang mit Python.

Interesse an der Arbeit? Einfach eine E-Mail an jonas.schiller@uni-wuerzburg.de schreiben!

Beschreibung

Der hydraulische Abgleich in Heizungsanlagen sorgt dafür, dass die Wärme im Haus gleichmäßig über die Heizkörper verteilt wird. Zu diesem Zweck gibt es Berechnungsschemata, die auf verschiedenen Parametern basieren, die oft geschätzt werden müssen. Ziel der Bachelorarbeit ist es, die Schätzungen durch einen Feedback-Mechanismus zu verbessern, indem der vorhergesagte und gemessene Energieverbrauch und die Temperaturen iterativ verglichen werden. Das Modell soll mit einfachen Simulationen von Heizungsanlagen in Häusern getestet werden. Im Erfolgsfall kann der Ansatz dazu beitragen, die Energiebilanz von Heizungsanlagen deutlich zu verbessern.

Beschreibung

Elektrofahrzeuge bieten eine Vielzahl an Möglichkeiten zur Optimierung der Ausnutzung von erneuerbaren Energiequellen durch Smart-Charging. Gängig, und in verschiedenen Formen bereits im Einsatz, sind zum Beispiel Algorithmen zur Maximierung des  Eigenverbrauchs von PV-Strom aus eigener Produktion durch zeitliche Verschiebung der Ladeleistung. Durch die Kombination von zeitlicher mit räumlicher Verschiebung von Ladevorgängen kann der ökologischen Fußabdruck des Verkehrssektors noch weiter reduziert werden: Unter Berücksichtigung der CO2-Bilanz des lokalen oder temporalen Energie-Mixes, könnten ganze Ladevorgänge an einem anderen Ort und zu einem anderen Zeitpunkt durchgeführt werden, um die CO2 Emissionen für diesen Ladevorgang zu minimieren - vorausgesetzt, der Batterieladestand und der Energiebedarf für anstehende Fahrten lässt dies zu.

Im Rahmen dieser Bachelor-Arbeit soll die räumlich-zeitliche Verschiebung von Ladevorgängen als Optimierungsproblem formuliert und zur Anwendung in einem Simulationsmodell implementiert werden. Ziel ist es, anhand dieses Modells verschiedene nutzerbezogene Ladestrategien zu evaluieren und so das CO2 Einsparungspotenzial einer optimierten Lösung zu quantifizieren.

Description

Realistic mobility demand is an essential input for various scientific simulations. For example, we can model the spread of diseases better if we can determine what groups of people come into regular contact. Other examples are the performance evaluation of close-range peer-to-peer communication systems and transportation system planning. However, for privacy reasons, it is not desirable to track the movement of the entire population of a country to acquire the necessary data. Instead, it is better to create synthetic mobility demand with an agent-based simulation that is representative of the original population without intruding on the privacy of individuals.

This is the purpose of the open-source mobility demand generator OMOD we developed at our chair (https://github.com/L-Strobel/omod).

A crucial step in creating synthetic mobility demand is determining where people will conduct activities like shopping or working. In classical models, this is done in two steps. First, the number of trips that originate and end in all locations is determined with linear models. Then, a so-called gravity model connects origins and destinations (See Modelling Transport, Ortúzar and Willumsen).

In OMOD, we use a similar approach adapted to fit the agent-based viewpoint. However, this approach runs into limitations if non-linear features are to be included for the attractiveness of a location. For example, there is a complex relationship in clusters of shops. On the one hand, a group of shops might be more attractive than the sum of its parts because a person could shop for multiple things at once there; think of a city center. On the other hand, at some point, a location already provides a shop for most things, and shops start to compete, reducing the marginal attractiveness of additional shops.

Another problem that arises from the classical formulation is finding a suitable calibration for the parameters of the function. This is usually done using the maximum likelihood method. However, solving the resulting optimization is increasingly difficult with a rising number of parameters. Therefore the methodology is limited in its ability to model more complex relationships between mapping information and sociodemographic-features of individuals.

The goal of this work is to find alternatives to the classical implementation of the destination choice using modern machine learning techniques, such as neural networks. The techniques can be applied to directly determine the destination choice or, alternatively, to find suitable parameters for the old implementation. 

Contact

Leo Strobel, leo.strobel@uni-wuerzburg.de

Description

In agent-based transport models, it is necessary to determine the shortest path between an agent's current location and destination to simulate the agents' decision-making process. Algorithms for finding the shortest path on a network are well understood and applicable (Dijkstra). However, we must determine thousands of paths per agent for millions of agents in agent-based models. Therefore, determining the shortest paths is often the bottleneck of the simulation. The problem is especially prevalent in public transit decisions, where finding the shortest path depends on the weekday and time of day because of irregular schedules.

The goal of this thesis is to create a lightweight public transit router based on publicly available GTFS files (https://developers.google.com/transit/gtfs). A GTFS file parser is already available, and routing algorithms from existing libraries can be used. The focus of the thesis should be on searching the literature for applicable routing algorithms and methods to simplify the routing graph to obtain approximate solutions. The algorithms are then to be implemented and evaluated regarding runtime and accuracy of the resulting travel duration.

Contact

Leo Strobel, leo.strobel@uni-wuerzburg.de