Energieinformatik

Abschlussarbeiten (Bachelor/Master) für Informatik-/Wirtschaftsinformatikstudierende

Bei der Betreuung der Arbeiten orientieren wir uns an den Richtlinien des Departments für Informatik.

Energieeffiziente Datenzentren

Datenstromverarbeitung in der Energiedomäne

  • Vergleichende Darstellung unterschiedlicher Lagebilder von Energienetzen (Master Thesis)
    Als State Estimation werden Verfahren bezeichnet, die auf Basis (meist redundanter) Messwerte aus einem Energienetz und einem angenommenen Netzmodell die komplexen Spannungen an jedem Knoten im Energienetz zu schätzen. Dieser komplexe Spannungsvektor wird als Netzzustand bezeichnet. Zusammen mit dem Netzmodell erhält man ein Lagebild. Der Adaptive State Estimators (ASE) der University of Queensland ist ein Verfahren um eine State Estimation nicht nur auf über-, sondern auch auf unterbestimmten Netzen durchzuführen (also auch auf Netzen, wo es keine redundanten Messwerte gibt). Für das Datenstrommanagementframework Odysseus gibt es eine Umsetzung des ASE, die auf Datenströmen arbeitet.  Durch die Digitalisierung der Energienetze und dem Entstehen von Smart Grids rücken aber koordinierte Cyberangriffe auf die Energienetze immer mehr in den Fokus, die nicht erkannt werden können. Dadurch kann es zu nicht vertrauenswürdigen Lagebildern kommen. Um die Operatoren bei der Bewertung der Lagebilder zu unterstützen, ist es erstrebenswert ihnen alternativer Lagebilder, basierend auf einer Simulation und/oder historischen Daten, zur Verfügung zu stellen. Im Rahmen dieser Masterarbeit soll eine vergleichende Darstellung unterschiedlicher Lagebilder konzipiert und als Webclient umgesetzt werden. Dabei soll es u.a. den menschlichen Operatoren ermöglicht werden, zwischen den einzelnen Lagebildern zu wechseln und sie auch gemeinsam darstellen zu lassen.
  • Erkennen von Anomalien in Energienetzen durch Klassifikation (Master Thesis)
    In dieser Masterarbeit soll eine Anomalieerkennung in Energienetzdaten mittels Klassifikation durchgeführt werden. Die Energienetzdaten können aus Zählerständen von Erzeugern und Verbrauchern auf Niederspannungsebene (Smart Meter in Haushalten und PV Anlagen) bestehen. Darüber hinaus kann es sich auch um Messdaten handeln, die ein Energienetzbetreiber von seinen Geräten im Mittelspannungsnetz (z.B. Transformator) erhält.  Die Energiedaten liegen in Form von Datenströmen vor und die Klassifikation soll in dem Datenstrommanagementframework Odysseus geschehen. Dabei können sowohl Verfahren, die ein Archiv historischer Daten benötigen, als auch inkrementelle Verfahren, die keine Speicherung aller vergangenen Daten benötigen, zum Einsatz kommen.  Es wird erwartet, dass mehrere vielversprechende Algorithmen umgesetzt und mit einander verglichen werden. Darüber hinaus muss für die Evaluation eine vorhandene Simulation von Energienetzdaten um Anomalien erweitert werden.
  • Erkennen von Anomalien in Energienetzen mit einer Zeitreihenvorhersage (Master Thesis)
    In dieser Masterarbeit soll eine Echtzeit-Zeitreihenvorhersage mit dem Ziel einer Anomalieerkennung in Energienetzdaten durchgeführt werden. Die Energienetzdaten können aus Zählerständen von Erzeugern und Verbrauchern auf Niederspannungsebene (Smart Meter in Haushalten und PV Anlagen) bestehen. Darüber hinaus kann es sich auch um Messdaten handeln, die ein Energienetzbetreiber von seinen Geräten im Mittelspannungsnetz (z.B. Transformator) erhält. Die Energiedaten liegen in Form von Datenströmen vor und die Zeitreihenanalyse soll in dem Datenstrommanagementframework Odysseus geschehen. Dabei können sowohl Verfahren, die ein Archiv historischer Daten benötigen, als auch inkrementelle Verfahren, die keine Speicherung aller vergangenen Daten benötigen, zum Einsatz kommen. Es wird erwartet, dass mehrere vielversprechende Algorithmen umgesetzt und mit einander verglichen werden. Darüber hinaus muss für die Evaluation eine vorhandene Simulation von Energienetzdaten um Anomalien erweitert werden.
  • Abnormal Traffic-indexed State Estimation mit dem Adaptive State Estimator in Odysseus (Master Thesis)
    Als State Estimation werden Verfahren bezeichnet, die auf Basis (meist redundanter) Messwerte aus einem Energienetz und einem angenommenen Netzmodell die komplexen Spannungen an jedem Knoten im Energienetz zu schätzen. Dieser komplexe Spannungsvektor wird als Netzzustand bezeichnet. Der Adaptive State Estimators (ASE) der University of Queensland ist ein Verfahren um eine State Estimation nicht nur auf über-, sondern auch auf unterbestimmten Netzen durchzuführen (also auch auf Netzen, wo es keine redundanten Messwerte gibt). Für das Datenstrommanagementframework Odysseus gibt es eine Umsetzung des ASE, die auf Datenströmen arbeitet. Traditionell werden auf Basis des geschätzten Netzzustands und der eingegangenen Messwerte durch eine sogenannte Bad Data Detection fehlerhafte Messwerte identifiziert und eliminiert. Durch die Digitalisierung der Energienetze und dem Entstehen von Smart Grids rücken aber koordinierte Cyberangriffe auf die Energienetze immer mehr in den Fokus, die durch traditionelle Bad Data Detection nicht erkannt werden können. Im Rahmen dieser Masterarbeit soll ein Verfahren von Ting Liu und seinen Kollegen von der Xi'an Jiaotong University mit dem ASE in Odysseus umgesetzt und erprobt werden. Es geht dabei darum Alarme eines Intrusion Detection Systems mit einem Gefährdungslevel zu gewichten und diese Informationen in die State Estimation einfließen zu lassen. Bei der State Estimation ist dann das Ziel, Messwerte von Geräten im Energienetz, für die es einen Alarm mit höherem Gefährdungslevel gab, weniger zu berücksichtigen.
  • Erkennen von Anomalien in Energienetzdaten mit neuronalen Netzen in Odysseus (Master Thesis)
    Das Datenstrommanagementframework Odysseus verfügt über ein Feature mit dem ein neuronales Netz auf einem Datenstrom trainiert und angewendet werden kann. In dieser Masterarbeit soll untersucht werden, wie mit diesem Feature eine Anomalieerkennung in Energienetzdaten durchgeführt werden kann. Die Energienetzdaten können aus Zählerständen von Erzeugern und Verbrauchern auf Niederspannungsebene (Smart Meter in Haushalten und PV Anlagen) bestehen. Darüber hinaus kann es sich auch um Messdaten handeln, die ein Energienetzbetreiber von seinen Geräten im Mittelspannungsnetz (z.B. Transformator) erhält. Zu dieser Untersuchung gehört vor allem auch die Evaluation aller für ein neuronales Netz relevanter Parameter um die Einstellung für eine bestmögliche Anomalieerkennung zu identifizieren. Außerdem muss für die Evaluation eine vorhandene Simulation von Energienetzdaten um Anomalien erweitert werden.

Weitere Themen

Weitere Themen im Bereich Energieinformatik auf Anfrage sowie auf den Web-Seiten der Abteilungen Umweltinformatik und Informationssysteme.