Mischa Ahrens (M. Sc.)

Wissenschaftlicher Mitarbeiter

Werdegang

Mischa Ahrens studierte von 2009 bis 2013 Chemieingenieurwesen und Verfahrenstechnik und von 2014 bis 2017 den Masterstudiengang Energietechnik am Karlsruher Institut für Technologie (KIT). Während des Studiums befasste er sich insbesondere mit den Themengebieten erneuerbare Energieträger, chemische Energieträger und Energiespeicherung. In den Jahren 2014 und 2015 war er als studentische und wissenschaftliche Hilfskraft an verschiedenen Instituten des KIT tätig. Seine Tätigkeiten umfassten unter anderem die Mitarbeit bei der Weiterentwicklung des bioliq® Verfahrens am Campus Nord des KIT, die Durchführung und Auswertung von rheologischen Untersuchungen am Institut für Mechanische Verfahrentechnik und Mechanik (MVM) des KIT und Programmierarbeiten zur Bildauswertung im Zusammenhang mit der Untersuchtung von Brennerflammen am Engler-Bunte-Institut (EBI) des KIT. In seiner Masterarbeit "Optimization of Battery Energy Storage Systems in Smart Buildings" beschäftige er sich mit der Optimierung der Batterienutzung in intelligenten Gebäuden mit eigenen Stromerzeugungskapazitäten.

Von 2017 bis 2018 war Mischa Ahrens am Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) des KIT als wissenschaftlicher Mitarbeiter tätig. Dort beschäftigte er sich unter anderem mit Methoden zur Geringhaltung des Kommunikationsaufwands in intelligenten Energienetzen.

Seit 2018 ist er als wissenschaftlicher Mitarbeiter am FZI Forschungszentrum Informatik im Forschungsbereich Intelligent Systems and Production Engineering (ISPE) tätig, wo er sich mit der Verbesserung der Resilienz in Stromverteilnetzen durch die Nutzung energetischer Flexibilität intelligenter Gebäude beschäftigt.

Publikationen

Zeitungs- oder Zeitschriftenartikel (1)

1. Modeling flexibility using artificial neural networksInfoDetails

   Kevin Förderer, Mischa Ahrens, Kaibin Bao, Ingo Mauser, Hartmut Schmeck, 2018

   The flexibility of distributed energy resources (DERs) can be modeled in various ways. Each model that can be used for creating feasible load profiles of a DER represents a potential model for the flexibility of that particular DER. Based on previous work, this paper presents generalized patterns for exploiting such models. Subsequently, the idea of using artificial neural networks in such patterns is evaluated. We studied different types and topologies of ANNs for the presented realization patterns and multiple device configurations, achieving a remarkably precise representation of the given devices in most of the cases. Overall, there was no single best ANN topology. Instead, a suitable individual topology had to be found for every pattern and device configuration. In addition to the best performing ANNs for each pattern and configuration that is presented in this paper all data from our experiments is published online. The paper is concluded with an evaluation of a classification based pattern using data of a real combined heat and power plant in a smart building.

Konferenzbeitrag (4)

1. Towards Price Based Demand Side Management Using Machine LearningInfoDetails

   Mischa Ahrens, Jan Müller, Hartmut Schmeck, 2019

   In demand side management, variable electricity pricing is often used to shape the load of electricity consumers and producers. The task of finding the right price profile to realize a target load profie is a bilevel optimization problem that varies in complexity depending on the considered distributed energy resources. Solutions to this problem proposed in the literature usually rely on extensive simplifications and often consider only specific device types or load shaping methods. Simple pricing schemes often fail to induce specific target load profiles due to effects like load synchronization. This poster abstract extends a machine learning based electricity pricing scheme proposed in previous work. Its objective is to generate price profiles basedon knowledge about the behavior of energy resources in response to different price profiles and in various situations. Principally, the presented pricing scheme can be used for any device configuration under the assumption that it offers exploitable flexibility and is governed by an automated energy management system aimed at minimizing energy costs.

2. Achieving Optimized Decisions on Battery Operating Strategies in Smart BuildingsDetails

   Jan Müller, Mischa Ahrens, Ingo Mauser, Hartmut Schmeck, Springer International Publishing, 2018

3. Generation of Time-of-Use Tariffs for Demand Side Management using Artificial Neural NetworksDetails

   Mischa Ahrens, Hartmut Schmeck, ACM, 2018

4. Towards the Modeling of Flexibility Using Artificial Neural Networks in Energy Management and Smart GridsDetails

   Kevin Förderer, Mischa Ahrens, Kaibin Bao, Ingo Mauser, Hartmut Schmeck, 2018

Export Suchergebnis .bib

Kontakt

Telefon: +49 721 9654-557
E-Mail: ahrens@dont-want-spam.fzi.de

Zurück