ERNEUERBARE ENERGIEN SIND IHR THEMA? WIR BEI FRAUNHOFER BIETEN IHNEN AB SOFORT EINE SPANNENDE TÄTIGKEIT IM BEREICH ENERGIEWIRTSCHAFTLICHE PROZESSINTEGRATION FÜR EINE
Masterarbeit zum Thema „Nutzbarmachung von Klimaprojektionsdaten für robuste Energiesystemplanung durch Verwendung von Verfahren der künstlichen Intelligenz (LSTM)“

Das Fraunhofer IEE in Kassel forscht in den Be­rei­chen En­er­gie­wirt­schaft und Energiesystemtechnik mit den Schwerpunkten: Energieinformatik, Energiemeteorologie und Geoinformationssysteme, Energiewirtschaft und Systemdesign, Energieverfahrenstechnik und -speicher, Netzplanung und Netzbetrieb, Netzstabilität und Stromrichtertechnik, Thermische Energietechnik. Rund 400 Wissenschaftlerinnen und Wissenschaftler, Angestellte, Studentinnen und Studenten entwickeln Lösungen für die Energiewende und erwirtschaften rund 24 Mio. Euro Er­trä­ge pro Jahr.

Was Sie mitbringen

  • Studium der Fachrichtung Informatik, Mathematik, Physik, Energietechnik, Maschinenbau, Wirtschaftsingenieurwesen oder vergleichbar 
  • Erfahrung im Umgang mit Python und relevanten Bibliotheken (z. B. Keras, PyTorch)
  • Kenntnisse im Bereich Energiewirtschaft, Strommärkte oder Meteorologische Grundkenntnisse sind von Vorteil
  • Interesse an energiewirtschaftlichen Fragestellungen in zukünftigen Energiemärkten
  • Selbstständige und strukturierte Arbeitsweise
  • Gute Englischkenntnisse

Was Sie erwarten können

Hintergrund:
In der Energiesystemanalyse sind die Einflüsse des Klimawandels auf die Planung zukünftiger Investitions- und Betriebsentscheidungen bisher nahezu unberücksichtigt. Insbesondere vor dem Hintergrund zukünftig stärker integrierter Wärme- und Stromsektoren, stellen diese jedoch eine große Unsicherheit für deren Planung dar. Idee und Ziel der Masterarbeit ist es daher, die zunehmend zur Verfügung stehenden Klimaprojektionsdaten für Energiesystemanalysen nutzbar zu machen.

Aufgrund der langfristigen Betrachtungsräume der globalen und regionalen Klimamodelle liegen die Prognosedaten in der Regel als tägliche Mittelwerte für verschiedene Emissionsszenarien vor. Dabei sind vor allem Daten für Lufttemperaturen, Windgeschwindigkeiten, Einstrahlung und relative Luftfeuchte von Bedeutung für die Planung zukünftiger Energiesysteme. Für Energiesystemmodelle werden verschiedenste Zeitreihendaten in mindestens stündlicher Auflösung benötigt. Ein einfaches Skalieren historischer Zeitreihendaten anhand durchschnittlicher jährlicher Klimaprojektionen erzeugt keine gute Näherung, da Klimamodelle zeigen, dass extreme Wärmeperioden in Länge und Häufigkeit zunehmen während Kälteperioden tendenziell in ihrer Häufigkeit abnehmen werden. Diese Extremperioden haben einen sehr großen Einfluss auf die Ausbauentscheidungen in Transformationspfaden der Energiesektoren. Auch die regionalen Unterschiede in Europa können damit nicht valide abgebildet werden.

Um aus den täglichen Mittelwerten der Klimaprojektionen „typische“ stündliche Profile für die Anwendung in Energiesystemmodellen zu generieren, soll ein Ansatz auf Basis eines Recurrent Neural Networks (RNN) mit Long Short-Term Memory (LSTM)-Layern erarbeitet werden. In einem ersten Schritt ist geplant, auf Basis der erlernten stündlichen Verläufe in historischen Daten, typische stündliche Verläufe auf die Klimaprojektionsdaten (d. h. Tagesmittelwerte) aufzuprägen. Der geografische Fokus liegt im Rahmen der Masterarbeit, auch durch die verfügbaren Klimaprojektionsdatenbestände bestimmt, zunächst auf Länderebene aggregierten Profilen.

Die im Rahmen der Masterarbeit entwickelten Methoden und gewonnenen Daten sollen unmittelbar in das „Environment for Modelling and Planning Robust Investment decisions for Sector-integrated Energy systems (EMPRISE)“ integriert und auf ihre Auswirkungen hin untersucht werden.

Die Arbeit beinhaltet folgende Themen:
  • Recherche zu offenen Datensätzen und der Bewertung hinsichtlich der Nutzung für die Untersuchung der Wechselwirkungen zwischen Klimafolgen und Energiesystemen (Beispielsweise folgende Datenquelle: http://ecem.wemcouncil.org/)
  • Recherche zur Nutzung von KI-Methoden (z.B. Long Short-Term Memory (LSTM) Modellen) oder alternativ auch Regressionsmethoden zur Erzeugung stündlicher Profile aus tagesmittelwerten Klimaprojektionsdaten (“Upsampling”)
  • Auswahl und Anpassung eines Modells in Python zur Erzeugung stündlicher Zeitreiheninformationen anhand von Tagesmittelwerten aus Klimaprojektionsdaten von mit zuvor trainierten historischen Wetterjahrdaten (voraussichtlich 2006-2012)
  • Erzeugung mehrerer Datensätze für verschiedene Prognoseszenarien (CO2 Konzentrationspfade)
  • Fallstudien mit dem am Fraunhofer IEE verfügbaren Modellierungs- und Optimierungs-Frameworks EMPRISE zur Quantifizierung der Untersicherheit für beispielhafte Szenarien

Die Vergütung richtet sich nach der Gesamtbetriebsvereinbarung zur Beschäftigung der Hilfskräfte.
Die Stelle ist zunächst auf 6 Monate befristet.
Die monatliche Arbeitszeit beträgt 60 Stunden.
Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.
Wir weisen darauf hin, dass die gewählte Berufsbezeichnung auch das dritte Geschlecht miteinbezieht.
Die Fraunhofer-Gesellschaft legt Wert auf eine geschlechtsunabhängige berufliche Gleichstellung.

Fraunhofer ist die größte Organisation für anwendungsorientierte Forschung in Europa. Unsere Forschungsfelder richten sich nach den Bedürfnissen der Menschen: Gesundheit, Sicherheit, Kommunikation, Mobilität, Energie und Umwelt. Wir sind kreativ, wir gestalten Technik, wir entwerfen Produkte, wir verbessern Verfahren, wir eröffnen neue Wege.

Fragen zu dieser Position beantwortet Ihnen gerne:

Herr Felix Frischmuth
Tel.: +49 561 7294-1751

Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik, IEE
Königstor 59
34119 Kassel

Bitte senden Sie Ihre vollständigen und aussagekräftigen Bewerbungsunterlagen ausschließlich online über den unten aufgeführten Link.

Kennziffer: IEE-2021-246 Bewerbungsfrist: 31.10.2021
counter-image