Studien-/Abschlussarbeit - Benchmark von Zero-Shot Vorhersagemodellen für elektrische Lastprognosen - #2103940

Die Fraunhofer-Gesellschaft (www.fraunhofer.de) betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist eine der führenden Organisationen für anwendungsorientierte Forschung. Rund 32 000 Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 3,4 Milliarden Euro.

Ausschreibung für die Fachrichtungen wie z. B.: Automatisierungstechnik, Elektrotechnik, Informatik, Maschinenbau, Mathematik, Mechatronik, Physik, Regelungstechnik, Softwaredesign, Softwareengineering, technische Informatik oder vergleichbare.

Benchmark von Zero-Shot Vorhersagemodellen für die Prognose von elektrischen Lasten im industriellen Kontext

Warum Lastprognosen?

In Zeiten zunehmender Energiepreis- und Einspeiseschwankungen werden Energie-Lastprognosen („load forecasts“) benötigt, um gezielt Laständerungen beplanen zu können, um von monetären Anreizen zu profitieren. Konkret kann eine Lastprognose beispielsweise für den Folgetag („day ahead“) genutzt werden, um Verbraucher hoch- und herunterzufahren, um zusätzliche Energiekosten in Zeiten hoher Strompreise zu vermeiden.

Aktueller Stand

Künstliche Intelligenz ermöglicht es, enorme Datenmengen aus vielfältigen Quellen einzubinden und auszuwerten. Für die Prognose von Industrieverbrauchern können diverse Daten genutzt werden: die Prognose des Wetters, Auftrags- und Produktionspläne, Feiertags- und Betriebsferieninformationen, Auslastung, Materialverfügbarkeit, Pausen- und Wartungszeitfenster, historische Lastprofile, etc. Die Erstellung solcher Prognosen ist daher in der Regel aufwendig und teuer.

Mit dem Aufkommen leistungsstarker, vortrainierter Modellarchitekturen reichen bereits wenige Datenpunkte aus, um die Struktur der Zeitreihe zu verstehen. Die sogenannten Zero-Shot Modelle sind auf sehr große Datenmengen vortrainierte Modelle, die auf Eingabe eines Zeitreihenausschnitts Prognosen berechnen können. Aktuelle Studien in der Literatur zeigen bereits erste Anwendungsfälle, in denen deren höhere Leistungsfähigkeit im Vergleich zu anderen modernen Modellklassen nachgewiesen wird.

Ziel der Arbeit

Im Rahmen dieser Abschlussarbeit soll untersucht werden, wie moderne Zero-Shot-Modelle (State-of-the-Art) im Vergleich zu überwachten Modellen abschneiden, die spezifisch auf die Anforderungen und Daten eines Unternehmens trainiert wurden. Es soll eine benutzbare Prognose-Implementierung für Industriedaten erstellt werden.

Forschungsfragen

Im Rahmen der Arbeit können die folgenden Forschungsfragen adressiert werden. Die Liste ist nicht vollständig und soll im Laufe der Bearbeitung erweitert und konkretisiert werden.

• Stand der Technik / Literatur
• Welche typischen Zero-Shot Bibliotheken gibt es auf dem Bereich der Zeitreihenvorhersage?
• Wie sind deren Modellarchitekturen, wie unterscheiden Sie sich?
• Leistungsvergleich
• Wie leistungsfähig sind die Modelle bei der Vorhersage von Verbrauchsprognosen für den Folgetag?
• Welchen Umfang nimmt das Einbinden dieser Modelle im Vergleich zu herkömmlichen Trainingsmethoden ein?
  
  
  

Potenzielles Vorgehen

• Literaturrecherche
• Erarbeiten eines Verständnisses, genauen Bearbeitungsrahmen festlegen
• Festlegen von Suchkriterien
• Systematische Suche
• Benchmark
• Einbindung von Unternehmensdaten, Datenvorverarbeitung, Datenexploration
• Modellieren von Lastprognosen mittels Wetterdaten, historischen Zeitdaten etc. mittels klassischen überwachten Zeitreihen-Forecast-Bibliotheken
• Einbinden von Zero-Shot Bibliotheken
• Vergleich der Performance
  
  
  

Was Sie bei uns tun

• Einarbeitung in die Thematik von Zero-Shot Modellen und Vorhersage elektrischer Lasten
• Exploration der zur Verfügung gestellten Datensätzen, Datenverständnis erarbeiten
• Aufsetzen einer Evaluationsumgebung
• Einbinden von Zero-Shot Bibliotheken zur Lastprognose inkl. der Erstellung eines Referenz-Benchmarks.
• Dokumentation und Veröffentlichung
  
  
  

Was Sie mitbringen

• Gültige Immatrikulation
• Intrinsische Motivation an dem Arbeiten in dem Themenfeld, Freude am Forschen
• Gute Programmierkenntnisse (Python)
• Eigenständige, sorgfältige und strukturierte Arbeitsweise
• Sehr gute Deutsch- und Englischkenntnisse
• Hohes Maß an Zuverlässigkeit
• Erste Erfahrungen mit Machine Learning sind wünschenswert
  
  
  

Was Sie erwarten können

• Mitarbeit im spannenden und innovativen Themenfeld der „Energiedatenanalyse“, das insbesondere in der jungen Vergangenheit stark an Bedeutung gewonnen hat
• Eine angenehme Arbeitsatmosphäre in einem motivierten Team
• Flexible Einteilung der Arbeitszeit (für Klausurvorbereitung etc.)
• Home-Office Arbeit nach Absprache möglich
• Falls gewünscht: Enge Betreuung in wöchentlichen Abstimmungsterminen
• Mitwirken an Veröffentlichungen
• Übertragen Sie theoretisches Wissen aus dem Studium in die Praxis, und lernen Sie dabei, Herausforderungen bei der Arbeit mit realen Daten kennen
  
  
  

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Haben wir Ihr Interesse geweckt? Dann bewerben Sie sich jetzt online mit Ihren aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Sie kennenzulernen!

Frau Jennifer Leppich

Recruiting

Tel. +49 711 970-1415

[email protected]

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

www.ipa.fraunhofer.de

Kennziffer: 79028