Ma erzeugung Von Synthetischen Zeitreihen Mittels

Die Fraunhofer-Gesellschaft betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist die weltweit führende Organisation für anwendungsorientierte Forschung. Rund 30 000 Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 2,9 Milliarden Euro.

**Was Sie bei uns tun**

Im Zuge der Energiewende und der damit einhergehenden Transformation des Energiesystems hin zu erneuerbaren Energien besteht erhöhter Bedarf nach hochaufgelösten Verbrauchszeitreihen. Durch die Vielfalt von Interaktionen und Einflussfaktoren gewinnen computergestützte Prognose
- und Optimierungsverfahren zunehmend an Bedeutung. Doch solche Algorithmen benötigen realistische Daten über die lang
- und kurzfristigen Energiebedarfe bzw. -angebote für ihr Training, um die Charakteristika von individuellem Nutzerverhalten lernen zu können. Zum jetzigen Zeitpunkt sind jedoch nur wenige Ortsnetztransformatoren und noch weniger Haushalte digital angeschlossen. Ein weiteres Problem besteht darin, dass Verbrauchsdaten aus Datenschutzgründen hochsensibel sind und daher von Providern und Netzbetreibern nur schwerlich freigegeben werden können.

Eine mögliche Lösung beider dieser Probleme ist die Generierung synthetischer Lastzeitreihen mittels Generative Adversarial Networks (GANs). GANs sind eine Klasse von Deep Learning Frameworks, die u. a. bereits äußerst erfolgreich zur Generierung detailgetreuer synthetischer Bilder verwendet worden sind. Sie bestehen typischerweise aus zwei neuronalen Netzen, dem Generator und dem Diskriminator. Der Generator erzeugt auf Basis eines zufälligen Vektors synthetische Daten wie Bilder oder Lastzeitreihen, während die Aufgabe des Diskriminators darin besteht, Daten korrekt als real bzw. synthetisch zu klassifizieren. Beide neuronale Netze werden gemeinsam im Sinne eines Nullsummenspiels trainiert d.h. während der Diskriminator immer besser lernt, synthetische von realen Daten zu unterscheiden, erzeugt der Generator immer realistischere Daten, wodurch der Diskriminator wiederum schlechter performt.

Die Erzeugung synthetischer, aber realistischer Lastzeitreihen mithilfe einer GAN Architektur verspricht also eine weitestgehende Anonymisierung und birgt zudem das Potenzial, die öffentlich verfügbare Menge an brauchbaren Trainingsdaten drastisch zu erhöhen.

Ein Problem von GANs besteht hierbei vor allem darin, dass sie nur schwer zu evaluieren sind, insbesondere im Falle von Zeitreihen. Von außen lässt sich nur durch die Anwendung verschiedener Metriken eine verlässliche Aussage darüber treffen, wie „realistisch“ die erzeugten Daten tatsächlich sind - ein Problem, das mit höherer Komplexität der Modelle sogar noch zunimmt. Beispielsweise lassen sich klassische GAN-Architekturen u. a. mittels eines Verfahrens evaluieren, dass „Train on synthetic, test on real“ genannt und bei dem ein anderes neuronales Netz nach Synthetisierung der Daten auf den synthetischen Daten trainiert und anschließend auf den realen Daten getestet wird, während komplexere Architekturen wie Cycle-GANs nicht mehr ohne weiteres mit dieser Metrik untersucht werden können. Cycle-GANs sind eine besondere GAN-Architektur, bei der zwei Generatoren und Diskriminatoren darauf trainiert werden, Charakteristika von Daten, einen sog. „Style“, auf einen anderen Style zu transformieren. Innerhalb des Projektes kann z.B. mit diesem sog. Style-Transfer simuliert werden, wie sich die Lastzeitreihe eines Haushalts verändert, wenn eine PV-Anlage oder ein E-Auto angeschafft wird. Dieses Ziel birgt weitere Herausforderungen in sich, insbesondere da Cycle-GAN bisher ausschließlich im Bildbereich eingesetzt worden sind.

Das Ziel der Masterarbeit kann daher nach Absprache verschiedenermaßen definiert werden. Je nach Ihren Interessen und Fähigkeiten werden Sie sich mit Evaluierung, Visualisierung und/oder dem grundlegenden Entwurf der Netzwerkarchitekturen beschäftigen und unser Team bei der Erreichung oben genannter und ggf. anderer im Rahmen des Projektes entstehender Ziele unterstützen.

**Was Sie mitbringen**
- Studium der Mathematik, Informatik, Physik o. ä.
- Gute Kenntnisse der Programmiersprache Python
- Kenntnisse eines Deep Learning Frameworks (z. B. PyTorch, TensorFlow, PyTorch Lightning oder Keras) sind wünschenswert
- Gute Kenntnisse im Bereich des Maschinellen Lernens
- Wir legen besonderen Wert auf Eigeninitiative und eine selbstständige Arbeitsweise
- Kommunikationsfähigkeit und Teamfähigkeit
- Gute Deutsch
- und Englischkenntnisse in Wort und Schrift
- Die Bereitschaft zum Arbeiten vor Ort an mindestens einem Tag der Woche

**Was Sie erwarten können**

Freuen Sie sich auf ein kooperatives Arbeiten in einem anwendungsgetriebenen, interdisziplinären Umfeld und auf eine Masterarbeit, die einen Impact auf wichtige reale Probleme haben kann.

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen - unabhängig v