Projekte
Laufende Forschungskooperationen und Projekte
Der Lehrstuhl befindet sich aktuell im Aufbau. Die laufenden Forschungskooperationen und Projekte werden in Kürze ergänzt.
Abgeschlossene Projekte
Dieses Projekt hat Dr. Konstantin Hopf in seiner Arbeitsgruppe an der Universität Bamberg eingeworben und geleitet.
Die Integration erneuerbarer Energieträger im Privatbereich wird insbesondere durch die Kopplung der Verbrauchssektoren Strom, Wärme und Mobilität ermöglicht. Um die enormen Potenziale zu heben, müssen Energielösungen für den Privatbereich konsequent durchdacht werden, doch steigt mit der Kopplung von Verbrauchssektoren die dafür erforderliche Digitalisierung, aber auch der Anspruch an die Akteure bei Entwicklung, Parametrierung, Optimierung und Vermarktung der Technologien. Umfangreiche Energiedaten (aus Systemen, Verbrauch und Verhalten) und KI-Verfahren können helfen neue Energiedienstleistungen zu ermöglichen, den Netzbetrieb zu optimieren und eine stärkere Verbreitung von Technologien für nachhaltige Energieversorgung zu fördern. Im Rahmen des Projekts haben wir das Potenzial aus vorhandenen Energiedaten für solche Anwendungen nutzbar gemacht. Die im Einsatz getestete Big-Data-Analytics (BDA) Toolbox des Projekts unterstützt Haushalte und Energieversorger mit Machine-Learning-Technologie, um die Sektorkopplung voranzutreiben.
Das Projekt wurde im Zeitraum 01.07.2021 – 28.02.2025 gefördert durch das Bayerische Verbundforschungsprogramm, Förderlinie Digitalisierung – Informations- und Kommunikationstechnologie
Projektpartner:
- Julius-Maximilians-Universität Würzburg, Lehrstuhl für Informatik XI, insb. Modelierung und Simulation
- Enerlytica (BEN Energy GmbH)
- Consolinno Energy GmbH
- Stadtwerk Haßfurt
Das Metall-Ultraschallschweißen ist das bevorzugte Verfahren zum Fügen von Aluminiumlitzen mit Kupferterminals in Hochvolt-Bordnetzen. Die Qualitätssicherung erfolgt bislang überwiegend durch zerstörende Stichproben und Grenzwertüberwachung skalarer Größen, wie z.B. der Schweißknotenhöhe, wodurch fehlerhafte Verbindungen unentdeckt bleiben bzw. Pseudoausschuss entsteht.
Das Forschungsziel des Forschungsvorhabens setzt sich aus zwei Teilzielen zusammen. Zum einen soll eine geeignete Methode des maschinellen Lernens identifiziert werden, welche sich für den Einsatz als zuverlässige, kostengünstige und einfache Inline-Prozessüberwachungsmethode eignet, um realen sowie Pseudo-Ausschuss zu vermeiden und die Kosten für bislang stichprobenartig durchgeführte, zerstörende Prüfungen, die sich auch aus Kundenanforderungen ergeben, sukzessive und nachhaltig abzubauen. Dabei soll die zu entwickelnde Prozessüberwachung nicht nur eine Unterscheidung in Gut- und Schlechtschweißung ermöglichen, sondern ebenso für den Fall einer Schlechtschweißung den Fehlertyp erkennen, um dem Maschinenbediener Handlungsanweisungen geben zu können. Darüber hinaus wird eine Prognose der Ausreißkraft der geschweißten Verbindungen angestrebt. Zum anderen soll die Frage beantwortet werden „Resultiert eine maximale Scherzugfestigkeit in einer maximalen Strombelastbarkeit?“, um zukünftig den Anwender bei der Auswahl der anwendungsrelevantesten Zielgröße für die Bestimmung bestmöglicher Schweißparameter (Ausgangspunkt für das maschinelle Lernen) zu unterstützen.
Dieses Projekt hat Dr. Konstantin Hopf in seiner Arbeitsgruppe an der Universität Bamberg eingeworben und geleitet.
Durch die Anwendung maschineller Lernverfahren auf große Datenmengen des privaten Energiekonsums und den Einsatz moderner Feedback-Technologien haben wir in diesem Verbundprojekt eine Kundenbindungsplattform als ausgereiften Prototyp entwickelt. Diese digitale Plattform ermöglicht eine handlungsorientierte und auf den einzelnen Haushalt zugeschnittene Kommunikation, welche private Haushalte zu mehr Energieeffizienz anleitet. Aufbauend auf der entwickelten Energieeffizienz-Plattform haben wir zusammen mit einem Energieanbieter in Frankreich neuartige Dienstleistungen entwickelt, welche die Energieeffizienz und nachhaltige Energienutzung im Privatbereich förderten.
Das Teilprojekt der Universität Bamberg umfasste die (Weiter-)Entwicklung und Evaluation von maschinellen Lernverfahren, welche die Grundlage für die intelligente Energieeffizienzplattform bildeten. Wir haben Machine-Learning-Modelle vorangebracht, welche Haushaltseigenschaften (Wohnungsgröße, Anzahl der Bewohner oder Geräte, usw.) oder die Bereitschaft von Kunden zur Teilnahme an Energieeffizienz- oder Lastverschiebungskampagnen mit Hilfe von Lastkurven, Standortinformationen und anderen Datenquellen vorhersagen konnten.
Gefördert durch das Eurostars Programm der Europäischen Union
Projektlaufzeit: 01.12.2020 – 31.05.2022
Projektpartner:
Die Energiewende verändert durch die vorwiegende Einspeisung erneuerbarer Energien das Verfügbarkeitsprofil von Elektroenergie grundlegend. Die ESF-geförderte Nachwuchsforschergruppe verfolgt das Ziel, regionale Energieangebots- und -nachfrageunterschiede durch die zeitliche und räumliche Beeinflussung des Energieverbrauchs von Datenzentren auszugleichen. Die Nachwuchsforschergruppe besteht aus einem interdisziplinären Team aus den Bereichen der Mathematik (ADM), Elektrotechnik (EHT, KN, ACSD) und Wirtschaftswissenschaften (SEAS).