News

Fakultätspreis für Masterarbeit

Herzlichen Glückwunsch an Dipl.-Ing. Matthias Bittner zum Erhalt des Fakultätspreises für seine Masterarbeit zum Thema "Mustererkennung in einer heterogenen Smart-Grid-Umgebung".

Eingang des Gußhaus Campus der TU Wien mit e-infodes Logo

Das ICT gratuliert Dipl.-Ing. Matthias Bittner zum Erhalt des Fakultätspreises der Elektrotechnik und Informationstechnik für die Präsentation seiner Masterarbeit "Pattern Recognition in a heterogeneous Smart Grid environment".

Der stetige Anstieg dezentraler, hauptsächlich erneuerbarer Energieproduzenten sowie das Wachstum der Elektromobilität stellen große Herausforderungen für unser zukünftiges Stromnetz dar. Die Energy&IT-Gruppe des ICT entwickelt aktiv neue Konzepte und Lösungen und ist daher besonders stolz auf die erfolgreiche Smart Grid-Forschungskooperation mit Siemens AG Österreich, die diese Masterarbeit ermöglichte.

Matthias wird auch in Zukunft im Rahmen seiner Promotion im CD Labor für Embedded Machine Learning, öffnet eine externe URL in einem neuen Fenster des ICT mit uns zusammenarbeiten, und wir freuen uns auf weitere spannende Projekte und eine verstärkte Zusammenarbeit mit Siemens.

Abstract der Masterarbeit: Considering a Smart Grid and just observing the sampled grid measurements is an old-fashioned and outdated way of looking at this highly dynamical and heterogeneous system. There is a strong need of involving the environmental (e.g., weather, seasonal behaviour) and heterogeneous (e.g., diverse energy sources and consumers) influences into their analysis and optimization. This thesis is therefore starting at a very abstract viewpoint of such a Smart Grid and proposes: a pipeline for extracting patterns and a design cycle for developing Machine Learning concepts. The pattern extraction pipeline provides methods and concepts for extracting patterns related to the environmental and heterogeneous influences. This step of revealing and extracting patterns is achieved by applying this pipeline on historical data of an existing testbed in Aspern Vienna, Austria. The second part of this thesis is then focused on proposing a Machine Learning design cycle, which provides a general methodology for developing Machine Learning concepts based on the extracted patterns. This results in concepts for power consumption forecasting based on environmental data, system state clustering and rare event detection. The overall aim of all these concepts is to optimize the functionality, reliability and efficiency of the modern Smart Grids.

Supervisors: Dipl.-Ing. Daniel Hauer, Ao.Univ.Prof. Dr. Thilo Sauter