Studien-/Abschlussarbeit - Benchmark von Zero-Shot Vorhersagemodellen für elektrische Lastprognosen

Ausschreibung für die Fachrichtungen wie z. B.: Automatisierungstechnik, Elektrotechnik, Informatik, Maschinenbau, Mathematik, Mechatronik, Physik, Regelungstechnik, Softwaredesign, Softwareengineering, technische Informatik oder vergleichbare.

Benchmark von Zero-Shot Vorhersagemodellen für die Prognose von elektrischen Lasten im industriellen Kontext

⏩ Warum Lastprognosen?
In Zeiten zunehmender Energiepreis- und Einspeiseschwankungen werden Energie-Lastprognosen („load forecasts“) benötigt, um gezielt Laständerungen beplanen zu können, um von monetären Anreizen zu profitieren. Konkret kann eine Lastprognose beispielsweise für den Folgetag („day ahead“) genutzt werden, um Verbraucher hoch- und herunterzufahren, um zusätzliche Energiekosten in Zeiten hoher Strompreise zu vermeiden.

⏩ Aktueller Stand
Künstliche Intelligenz ermöglicht es, enorme Datenmengen aus vielfältigen Quellen einzubinden und auszuwerten. Für die Prognose von Industrieverbrauchern können diverse Daten genutzt werden: die Prognose des Wetters, Auftrags- und Produktionspläne, Feiertags- und Betriebsferieninformationen, Auslastung, Materialverfügbarkeit, Pausen- und Wartungszeitfenster, historische Lastprofile, etc. Die Erstellung solcher Prognosen ist daher in der Regel aufwendig und teuer.
Mit dem Aufkommen leistungsstarker, vortrainierter Modellarchitekturen reichen bereits wenige Datenpunkte aus, um die Struktur der Zeitreihe zu verstehen. Die sogenannten Zero-Shot Modelle sind auf sehr große Datenmengen vortrainierte Modelle, die auf Eingabe eines Zeitreihenausschnitts Prognosen berechnen können. Aktuelle Studien in der Literatur zeigen bereits erste Anwendungsfälle, in denen deren höhere Leistungsfähigkeit im Vergleich zu anderen modernen Modellklassen nachgewiesen wird.

⏩ Ziel der Arbeit
Im Rahmen dieser Abschlussarbeit soll untersucht werden, wie moderne Zero-Shot-Modelle (State-of-the-Art) im Vergleich zu überwachten Modellen abschneiden, die spezifisch auf die Anforderungen und Daten eines Unternehmens trainiert wurden. Es soll eine benutzbare Prognose-Implementierung für Industriedaten erstellt werden.

⏩ Forschungsfragen
Im Rahmen der Arbeit können die folgenden Forschungsfragen adressiert werden. Die Liste ist nicht vollständig und soll im Laufe der Bearbeitung erweitert und konkretisiert werden.

• Stand der Technik / Literatur
  • Welche typischen Zero-Shot Bibliotheken gibt es auf dem Bereich der Zeitreihenvorhersage? 
  • Wie sind deren Modellarchitekturen, wie unterscheiden Sie sich?
• Leistungsvergleich
  • Wie leistungsfähig sind die Modelle bei der Vorhersage von Verbrauchsprognosen für den Folgetag?
  • Welchen Umfang nimmt das Einbinden dieser Modelle im Vergleich zu herkömmlichen Trainingsmethoden ein?

⏩ Potenzielles Vorgehen

• Literaturrecherche
  • Erarbeiten eines Verständnisses, genauen Bearbeitungsrahmen festlegen
  • Festlegen von Suchkriterien
  • Systematische Suche
• Benchmark
  • Einbindung von Unternehmensdaten, Datenvorverarbeitung, Datenexploration
  • Modellieren von Lastprognosen mittels Wetterdaten, historischen Zeitdaten etc. mittels klassischen überwachten Zeitreihen-Forecast-Bibliotheken
  • Einbinden von Zero-Shot Bibliotheken
  • Vergleich der Performance