Home | deutsch  | Legals | Data Protection | Sitemap | KIT

Applied machine learning for the characterization of electricity load profiles

Applied machine learning for the characterization of electricity load profiles
Type:Bachelorarbeit, Masterarbeit
Date:vergeben
Supervisor:

Sarah Henni

In dieser Arbeit soll auf Basis eines bestehenden Datensatzes mithilfe von Machine Learning Methoden eine Klassifizierung von Haushaltsprofilen durchgeführt werden. In der Literatur finden sich bereits viele Ansätze für eine solche Charakterisierung [1-4]. In der Praxis gestaltet sich dies jedoch aufgrund der hohen Variabilität der Lastprofile sowie geringer Datenverfügbarkeit schwierig [4]. Deswegen sollen im Rahmen dieser Arbeit verschiedene Methoden untersucht und verglichen werden. Besonderer Fokus liegt hierbei auf der Anwendbarkeit der Ergebnisse für verschiedene Fragestellungen im Zusammenhang mit lokalen und dezentralen Energiemärkten: Beispielsweise könnte ein Ziel der Charakterisierung sein, festzustellen, welche Lastprofile besonders geeignet sind für eine Kopplung mit erneuerbaren Energien, Speichertechnologien oder für die Bereitstellung von Flexibilität.

Die Arbeit bietet die Möglichkeit, sich intensiv mit Machine Learning Methoden auseinanderzusetzen und diese auf einem realen Datensatz anzuwenden. Kreativität und Eigeninitiative sind aufgrund der explorativen Untersuchungsaufgabe gewünscht, dem Studierenden werden bei der Bearbeitung der Aufgabenstellung viele Freiheiten gelassen. Der Anwendungsteil der Arbeit soll in Python implementiert werden, daher sind Kenntnisse in Python oder R von Vorteil, aber keine Voraussetzung.
 

Literatur

[1] Cembranel, Samuel S.; Lezama, Fernando; Soares, Joao; Ramos, Sergio; Gomes, Antonio; Vale, Zita (2019): A Short Review on Data Mining Techniques for Electricity Customers Characterization. In: IEEE PES GTD 2019. Grand International Conference & Exposition Asia

[2] Chicco, G.; Napoli, R.; Postolache, P.; Scutariu, M.; Toader, C. (2002): Customer Characterization Options for Improving the Tariff Offer. In: IEEE Power Eng. Rev. 22 (11), S. 60. DOI: 10.1109/MPER.2002.4311841.

[3] Milton, Mora-Alvarez; Pedro, Contreras-Ortiz; Xavier, Serrano-Guerrero; Guillermo, Escrivá-Escriva (2018): Characterization and Classification of Daily Electricity Consumption Profiles: Shape Factors and k-Means Clustering Technique. In: E3S Web Conf. 64 (11), S. 8004. DOI: 10.1051/e3sconf/20186408004.

[4] Rajabi, Amin; Li, Li; Zhang, Jiangfeng; Zhu, Jianguo; Ghavidel, Sahand; Ghadi, Mojtaba Jabbari (2017): A review on clustering of residential electricity customers and its applications. In: International Conference on Electrical Machines and Systems (Hg.): 2017 20th International Conference on Electrical Machines and Systems (ICEMS). 11-14 Aug. 2017.