MASTERARBEIT – NETZENGPASSMANAGEMENT DURCH STEUERUNG VON FLEXIBLEN LASTGERÄTEN UND NETZZUSTANDSPROGNOSEN (M/W/D) (M/W/D)

fortiss ist das Forschungsinstitut des Freistaats Bayern für die Entwicklung softwareintensiver Systeme mit Sitz in München. Die Wissenschaftler des Instituts kooperieren in Forschungs-, Entwicklungs- und Transferprojekten mit Hochschulen und Technologieunternehmen in Bayern, Deutschland und Europa. Im Mittelpunkt steht die Erforschung modernster Methoden, Techniken und Werkzeuge für die Entwicklung software- und kI-basierter Technologien für zuverlässige und sichere cyber-physische Systeme (CPS). fortiss ist in der Rechtsform einer gemeinnützigen GmbH organisiert. Gesellschafter sind der Freistaat Bayern (Mehrheitsgesellschafter) und die Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.

Zur Erweiterung unserer Forschungslinien in unserem Team "Architectures and Services for Critical Infrastructures" bieten wir eine:

Masterarbeit zum Thema "Bewältigung von Netzüberlastungen durch flexible Laststeuerung und Netzzustandsprognosen" (m/w/d)

In den letzten Jahren hat sich die Landschaft der Energieverteilungssysteme erheblich verändert. Die Modernisierung und Diversifizierung der Energienetze brachten große Herausforderungen und Chancen mit sich, und das Aufkommen intelligenter Stromnetze hat in diesem Bereich eine Ära der massiven Datengenerierung und des Datenaustauschs eingeleitet. Daten von mehreren über das Netz verteilten Messgeräten stehen nun zur Verfügung, was zusammen mit den Möglichkeiten moderner maschineller Lernverfahren Chancen für eine widerstandsfähigere, effizientere und nachhaltigere Energieinfrastruktur eröffnet.

Zeitsynchronisierte Lasten wie Elektrofahrzeuge, Wärmepumpen und Schwankungen bei der wetterabhängigen Energieerzeugung können zu hohen Spitzen im Stromnetz führen. Dies kann sich nachteilig auf die Netzinfrastruktur auswirken, da es zu Überlastungen von Kabeln und Transformatoren kommen kann. Die Verhinderung und Vermeidung solcher Szenarien ist für die Aufrechterhaltung der Netzstabilität von entscheidender Bedeutung, insbesondere da moderne Energienetze dem Trend zu zunehmend variablen Lasten und Energiequellen folgen. Es gibt verschiedene Ansätze, um das Stromnetz so zu beeinflussen, dass Überlastungsereignisse vermieden werden. Dazu gehören unter anderem die Änderung der Marktpreise, die Anwendung von Redispatch-Fahrplänen und Abschaltregelungen. Aufgrund der rechtlichen und technologischen Rahmenbedingungen der Energieinfrastruktur in Deutschland fokussieren wir uns auf das Szenario, in dem die steuerbaren Maßnahmen Dimm-Signale, gemäß § 14a EnWG, sind. Ziel des Projekts ist es, verschiedene Flexibilitätsmanagement-Schemen zu entwickeln, zu vergleichen und zu validieren.

Wir werden bestehende SotA-Deep-Learning-Methoden verwenden, um aktive und reaktive Lasten zu prognostizieren und mögliche Zustände des Energienetzes abzuschätzen. Dabei werden wir verschiedene Ansätze untersuchen, um diese Prognosen zur Festlegung von Strategien oder Vorschlägen zur Vermeidung von Überlastungsereignissen zu nutzen. Zur Validierung planen wir eine Laborintegration von steuerbaren Lastgeräten. Die Übertragung der Dimm-Signale an die Geräte wird über das OpenEMS-Framework erfolgen. Dies dient der Bewertung der Wirksamkeit des vorgeschlagenen Steuerungsansatzes zur Bewältigung erwarteter Überlastungsereignisse.

• Literaturrecherche zu Lastprognosen, Überlastungsmanagement und DL Transformers
• Interaktion mit dem Data Fusion Hub über REST-APIs für den Zugriff auf Netzmessungen
• Entwicklung eines Kommunikationsframeworks zwischen flexiblen Lastgeräten (intelligente elektrische Wärmespeichergeräte) und Überlastungsmanagement-Agenten über OpenEMS
• Training und Optimierung Deep Learning Modelle für Prognosen und Entscheidungsfindung
• Code-Versionierung und Problemmanagement (Git)
• Unterstützung bei der Implementierung eines Laborprototyps für das Engpassmanagement
• Validierung der Wirksamkeit verschiedener Managementstrategien
• Mitverfassen von Forschungsarbeiten und Unterstützung bei der Verbreitung der Ergebnisse

• Student im Masterstudiengang Informatik, Elektrotechnik oder ähnlichem Fachgebiet
• Erfahrung in der Softwareentwicklung (Python/Java)
• (Wünschenswert) Erfahrung mit Linux
• Kenntnisse in neuronalen Netzen, maschinellem Lernen (Python/Pytorch)
• Selbstmotivierte und strukturierte Arbeitsweise
• Gute Kommunikationsfähigkeiten in Englisch
• (Wünschenswert) Kommunikationsfähigkeiten in Deutsch
• Verfügbarkeit für die Arbeit vor Ort

• Internationales und dynamisches Arbeitsumfeld
• Flexible Arbeitszeiten und Arbeit an einem verkehrsgünstigen Standort
• Möglichkeit, zu anspruchsvollen und spannenden Themen im Bereich maschinelles Lernen und Energienetzsteuerung zu forschen
• Möglichkeit, zur Erstellung, Veröffentlichung und Verbreitung von Forschungsartikeln beizutragen

Dann bewirb dich bitte mit einem Motivationsschreiben, einem ausführlichen Lebenslauf und einem aktuellen Zeugnis.

Job-ID: ASCI-MA-04-2025