Es wurden verschiedene Methoden zur Ersatzwertbilung in Lastprofilen evaluiert und ein Modell zur Detektion von Anomalien erstellt.
Python, PyTorch, Machine Learning, Deep Learning, Anomaly Detection, Unsupervised Learning, Supervised Learning, Autoencoder, TFT, Transformer, CNN
Das Ziel der Arbeit war unter anderem die Untersuchung folgender Forschungsfragen:
Da die Daten und Resultate der Geheimhaltungspflicht unterstellt sind, werden die erzielten Ergebnisse nur mit
Worten beschrieben. In der Arbeit wurden verschiedene Ansätze zur Ersatzwertbildung ausprobiert. Da die Daten
ohne Lücken vorhanden waren, wurden zuerst verschieden grosse Lücken in die Daten eingefügt. Anschliessend wurde
mit verschiedenen Methoden probiert die Lücken möglichst genau zu füllen. Das Ziel bestand darin, eine bessere
mittlere absolute Abweichung als heute gängige Methode (lineare Interpolation) zu erreichen. Die besten Methoden
sind hier aufgelistet:
Dabei erzielte das Interpolation Network die besten Resultate und erreichte eine 36% bessere Performance bei Tageslücken und eine 10% bessere Performance auf 2 Stunden Lücken im Vergleich zur Baseline. Das Netzwerk kombiniert eine lineare Interpolation und jeweils einen Forecast von vor und nach der Lücke in einem neuronalen Netz.
| Projekttyp | Projektdauer | Aufwand | Teamgrösse |
| Data Science P6 | September 2023 - März 2024 | 360 Stunden pro Person | 2 Personen |
Virtual Global Trading AG
Virtual Global Trading AG
Obere Vorstadt 40
5000 Aarau
| Name | Studiengang |
| Ronny Schneeberger | Data Science |
| Flavio Müller | Data Science |
