Bachelor- / Masterarbeit: Machine-Learning-Modell zur Ableitung optimaler Betriebsheuristiken für die Auslegung von hybriden Windparks

Der Chair for Wind Power Drives erforscht das Verhalten von Antriebssystemen in modernen Multimegawatt-Windkraftanlagen. Forschungsziele sind die Steigerung der Verfügbarkeit, der Robustheit und der Energieeffizienz der Windenergieanlagen sowie die Senkung der Stromgestehungskosten. Hierzu werden Software- und Entwicklungswerkzeuge und moderne Systemprüfstände im Verbund eingesetzt.

Die direkte Kopplung eines Elektrolyseurs zur Herstellung von Wasserstoff mit einem Windpark kann zu schwankenden Lastverläufen des Elektrolyseurs führen und dadurch dessen Alterung stark beschleunigen. In der Auslegung solcher hybriden Energiesysteme wird der Betrieb eines Elektrolyseurs oder einer Batterie häufig nur heuristisch abgeschätzt. Das optimale Betriebsverhalten unter Berücksichtigung von Preisschwankungen, Alterungseffekten etc. wird dabei oft vernachlässigt. Über am CWD bestehende Optimierungsmodelle kann der Betrieb eines hybriden Energiesystems bereits nach Wirtschaftlichkeit unter Berücksichtigung von Alterungseffekten optimiert werden. Dennoch fehlt die Möglichkeit diese optimierte Anlagenbetriebsweise wieder in den Auslegungsprozess zu integrieren. Daher soll in dieser Arbeit ein Machine-Learning Modell entwickelt werden, das diese Kopplung ermöglicht.

Aufgaben:

• Einarbeitung und Analyse: Literaturrecherche zu datengetriebenen Ansätzen sowie umfassende Analyse der bestehenden Auslegungs- und Betriebsoptimierungsmodelle
• Konzeption eines ML-Ansatzes: Identifikation und Auswahl eines geeigneten ML-Modells
• Implementierung in Python: Entwicklung, Training und Validierung des ML-Modells auf Basis von vorgelagerten Optimierungsergebnissen
• Integration in das Auslegungsmodell: Einbindung der abgeleiteten Betriebsheuristik in das bestehende Auslegungsmodell und Durchführen exemplarischer Fallstudien
• Modellbewertung: Vergleichende Analyse des erweiterten Modells hinsichtlich Genauigkeit, Robustheit und praktischem Mehrwert
• Dokumentation: Erstellung einer Schriftfassung

Voraussetzung:

• Motivation zu selbstständigem und eigenverantwortlichem Arbeiten, Kommunikations- und Teamfähigkeit
• Überdurchschnittliche Noten im Fachbereich Energietechnik oder Informatik
• Vorkenntnisse im Bereich Machine-Learning und im Umgang mit Python erforderlich

Wir bieten:

• Wissenschaftliches Arbeiten in einem hoch motivierten Team
• Enge Betreuung in Form von wöchentlichen Regelterminen
• Es besteht die Möglichkeit zur anschließenden Promotion im Zuge der Bearbeitung von Forschungsprojekten

Auf deine aussagekräftige Bewerbung per E-Mail freut sich:

Dustin Frings, M. Sc. RWTH
Chair for Wind Power Drives

Campus-Boulevard 61, 52074 Aachen
dustin.frings@cwd.rwth-aachen.de