Stud.IP Uni Oldenburg
University of Oldenburg
17.10.2021 14:10:11
ThesisTopics

Personal details

Title Entwicklung eines datengetriebenen Modells für Photovoltaik-Wechselrichter (machine learning)
Description

Entwicklung eines datengetriebenen Modells für Photovoltaik-Wechselrichter (machine learning)

Bachelorarbeit in der angewandten Informatik.

Motivation

Die zu erwartende Lebensdauer von Photovoltaikanlagen und deren Komponenten bestimmt maßgeblich deren Wirtschaftlichkeit und ist somit ein kritischer Faktor für deren Einsatz. Der plötzliche Ausfall eines leistungsstarken Wechselrichters führt in der Regel zu erheblichen Störungen im angeschlossenen Verteilnetz, z.B. durch Frequenzstörungen.

Wenn aus den Daten, die ein Wechselrichter aufzeichnet und laufend in die Herstellerdatenbank einspeist (Internet der Dinge), bereits im Vorfeld erkannt werden kann, dass ein Ausfall bevorsteht, kann der Wechselrichter repariert oder ausgetauscht werden, bevor der eigentliche Ausfall eintritt.

Durch die Bereitstellung von Ausfallprognosen für Hochleistungswechselrichter kann der Wechselrichterhersteller dem Verteilnetzbetreiber eine zusätzliche Dienstleistung anbieten, um eine stabile Versorgungssicherheit in stark von PV durchdrungenen Stromnetzen zu gewährleisten.

Home institution Department of Computing Science
Type of work practical / application-focused
Type of thesis Bachelor's
Author Jelke Wibbeke, M. Sc.
Status available
Problem statement

Zielsetzung

Um zu erkennen, ob eine Messung auf ein fehlerhaftes Systemverhalten hinweist, muss zunächst bestimmt werden, wie eine entsprechende fehlerlose Messung aussehen sollte. Ziel dieser Arbeit ist es, mit Hilfe eines künstlichen neuronalen Netzes ein Normalverhaltensmodell eines Photovoltaik-Wechselrichters zur Zustandsüberwachung zu entwickeln.

 

Literatur

Project Homepage: https://www.offis.de/en/offis/project/voraus-pv.html

[1]          S. Yang, D. Xiang, A. Bryant, P. Mawby, and L. Ran, “Condition Monitoring for Device Reliability in Power Electronic Converters: A Review,” IEEE Trans. POWER Electron., vol. 25, no. 11, p. 20, 2010.

[2]          S. Mohagheghi, R. G. Harley, T. G. Habetler, and D. Divan, “Condition Monitoring of Power Electronic Circuits Using Artificial Neural Networks,” IEEE Trans. Power Electron., vol. 24, no. 10, pp. 2363–2367, Oct. 2009, doi: 10.1109/TPEL.2009.2017806.

Requirement

Profil

Die Arbeit richtet sich an Studierende der Informatik, Physik oder vergleichbarer Studiengänge, die sich mit maschinellem Lernen im Bereich der Energieinformatik beschäftigen wollen. Vorkenntnisse im Bereich Photovoltaik, neuronale Netze und Python-Programmierung sind wünschenswert, aber nicht zwingend erforderlich. Der Bewerber sollte bereit sein, sich motiviert und selbstständig in das neue Thema einzuarbeiten.

Created 27/08/21

Study data

Departments
  • OFFIS - Energie
Degree programmes Not assigned to any degree programmes
Assigned courses No courses assigned
Contact person