Adaptive Energieertragsprognose basierend auf modulbasierten Monitoringdaten im Photovoltaik-Feld

Der Studierende hat die Aufgabe, einen adaptiven KI-Algorithmus zu entwickeln, der auf der Grundlage von Monitoringdaten aus PV-Feldern und Umweltdaten eine Energieertragsprognose erstellen kann. Weiterhin sollen Fehler- und Degradationszustände von PV-Modulen erkannt werden. Dazu sind folgende Schritte notwendig:

1. Er soll die Datenaufnahme aus den Monitoringdaten der industriellen Partner realisieren, er soll zusammen mitwissenschaftlichen Projektmitarbeitern des Solar Computing Labs auch Daten aus dem Forschungsfeld auf dem Campusgebäude aus Experimenten gewinnen (z.B. Soilingexperimente, Verschattungsexperimente, etc.) durchführen.
2. Er soll die Daten einem Preprozessing unterziehen (Säuberung, Normalisierung, Konsolidierung) und sie visualisieren.
3. Er soll eine eingehende Datenanalyse vornehmen, die Daten z.T. labeln, mit dem Ziel einen repräsentativen undreduzierten Lern- und Testdatensatz zu erstellen.
4. Er soll in Data-Mining-Experimenten einen adaptiven KI-Algorithmus entwickeln, der in der Lage ist, für neue PV-Felder eine Energieertragsprognose zu erstellen.
5. Er soll einen SW-Prototyp entwickeln, der hohe Ansprüche an die KI-SW-Qualität erfüllt, wie z.B die Robustheit des Algorithmus bei Stördaten, Sicherstellung der Repräsentativheit der Trainingsdatensätze, Wiederverwendbarkeit derSW-Module, Integration von SW-Tests etc.

Bezug zum Thema Data Science
Es kommen sowohl Methoden des Data Engineering als aus des Maschinellen Lernens zum Einsatz, zusätzlich wird aufeine hohe Softwarequalität in der KI-System-Entwicklung Wert gelegt.

Verfügbare Ressourcen
Im Projekt stehen Daten des industriellen Partners SunSniffer GmbH aus über 100 PV-Feldern zur Verfügung, darunter gelabelte Daten für spezielle Experimente , z.B. für Verschmutzungszustände in Indien oder anderen Klimazonen. Dem Solar Computing Lab steht außerdem ein PV-Forschungsfeld auf dem Dach des Unterrichtsgebeäudes zur Verfügung, in das im Rahmen des Projektes PVDigital 4.0 gezielt fehlerhafte Module zur Vermessung eingebracht werden. Das SolarComputing Lab verfügt über zahlreiche Messgeräte, um den genauen Zustand der Module bestimmen zu können: Kennlinienmessung   (Hell- und Dunkelkennlinien), Outdoor-LED-Flasher, Infrarotkamera, Elektrolumineszenzkamera. Der Forschungspartner Institut für Solarenergieforschung in Hameln produziert im Rahmen des Projektes gezielt fehlerhafte Module und erstellt zusätzliche Langzeitdaten von defekten Modulen, die dem Studenten zur Erstellung seiner Lerndatensätze zur Verfügung stehen. Im Rahmen der Projektarbeiten wird ausschließlich Open Source SW eingesetzt. Dem Labor steht ein Deep-Learning Server zur Verfügung.

Projektplan
Erstes Semester: 
Recherche zu projektrelevanten Grundlagen der Photovoltaik, Recherche zum Stand der Technik im BereichEnergieertragsprognose für Photovoltaik, Erstellen eines SW-Konzepts mit den Forschungsfragen, Erstellen einerAnforderungsanalyse und einer SW-Architektur mit modularem Konzept für KI-Protoypen, Kennenlernen und Nutzung der Datenschnittstellen für Umweltdaten und Monitoringdaten, Erstellung eines Forschungsexposés.

Zweites Semester: 
Nutzen und aufgabenspezifische Erweiterung der SW zur Datenvorverarbeitung im Projekt. Durchführung vonDatenanalysen und von ersten ML-Experimenten. Erstellung und Einreichen eines Papers „Work in Progress“ im Anwendungsgebiet Photovoltaik (z.B. PhotovoltaischesSymposium 2021) oder im Bereich Umweltinformatik (z.B. Workshop UINW 2020) mit Darstellung desAnwendungsgebietes, der KI-Forschungsfragen und erster KI-Experimente.

Drittes Semester: 
Durchführung der Experimente, Vervollkommnung der Ergebnisse, Erstellung eines Papers „Work in Progress“ mit erstenquantitativen Ergebnissen in einem KI- Workshop oder auf einer nationalen Anwenderkonferenz, dient auch als Prüfungsleistung.

Viertes Semester: 
Erhöhen der Erkennungsrate, Erstellen des Prototypen und Fokussieren auf die Adaptierbarkeit und Robustheit des KI-Systems als Masterarbeit und Kolloquium

Eignungskriterien
Zwingend:

• Anwendungsbereite Programmierkenntnisse in Python
• Anwendungsbereite Kenntnisse des klassischen Softwareengineering,

Optional:

• Programmierkenntnisse in Java und Javascript, Datenbanken
• Webentwicklung mit REST
• Grundlagen der KI 
• Grundlagen des Maschinellen Lernens

Erwerbbare Kompetenzen

• SW-Entwicklung von KI-Softwaresystemen
• Big Data Analyse
• Data Engineering
• Data Science
• Softskills für den Umgang mit Partnerfirmen.
• Softskills für die Präsentation seiner Arbeiten vor Publikum
• Grundlagen der Photovoltaik