Die zunehmende Bedeutung der Photovoltaik für die deutsche Energieversorgung erfordert eine zuverlässige und effiziente Leistungsverifizierung, um mögliche Ertragseinbußen zu minimieren. Smart-Wechselrichter mit integrierten Ferndiagnosefunktionen bieten eine vielversprechende Lösung für die Überwachung und Optimierung des Anlagenbetriebs.

 Dieser Beitrag stellt einen speziell entwickelten Messaufbau vor, der die Überprüfung der Messfähigkeit von Smart-Wechselrichtern ermöglicht, insbesondere in Hinblick auf die Messung von Strom-Spannungs-Kennlinien (IU-Kennlinien). Der Fokus der Untersuchung liegt auf der Analyse der Messunsicherheit gemessener Leistungsmaxima durch Referenzieren auf kalibrierte IU-Kennlinienschreiber.

 Die durchgeführten Vergleichsmessungen liefern zufriedenstellende Ergebnisse und zeigen einen Trend zu geringen Messunsicherheiten für höhere Bestrahlungsstärken. Dies bestätigt das Potenzial von Smart-Wechselrichtern für die Leistungsüberwachung von Photovoltaikanlagen und unterstreicht den Nutzen für die Optimierung des Anlagenbetriebs.

Federated learning is a renowned technique for utilizing decentralized data while preserving privacy. However, real-world applications often face challenges like partially labeled datasets, where only a few locations have certain expert annotations, leaving large portions of unlabeled data unused. Leveraging these could enhance transformer architectures’ ability in regimes with small and diversely annotated sets. We conduct the largest federated cardiac CT analysis to date (n = 8, 104) in a real-world setting across eight hospitals. Our two-step semi-supervised strategy distills knowledge from task-specific CNNs into a transformer. First, CNNs predict on unlabeled data per label type and then the transformer learns from these predictions with label-specific heads. This improves predictive accuracy and enables simultaneous learning of all partial labels across the federation, and outperforms UNet-based models in generalizability on downstream tasks. Code and model weights are made openly available for leveraging future cardiac CT analysis.

This study examines Moisture Buffer Value (MBV) of interior finishing layers, which impacts buildings internal relative humidity, thus indoor environmental quality. The MBV depends on material’s moisture capacity and vapour diffusion resistance factor, both of which depends on relative humidity. The paper aims to (i) characterize a new recycled material plaster that includes construction and food industry waste through laboratory measurements, (ii) use dynamical building simulations to quantify the impact of the MBV of existing and the new interior plaster on relative humidity in real design scenarios, and (iii) evaluate how changing the definition of the MBV to consider its dependence on indoor air relative humidity can improve its accuracy. Results show that the plaster’s moisture buffering properties significantly reduce the variations of the relative humidity of interior climates compared to a vapour-tight finishing layer. The performances of the new plaster made with recycled materials are comparable to those of the other plasters. The new MBV definitions (“Dynamical MBV″ and “Summer/Winter MBV”) show a significantly improved correlation with the relative humidity variations of indoor climates of buildings, observed in dynamic simulations, with respect to the typically used practical MBV. The new definitions are therefore promising for practical applications.

A number of machine learning process models (SEMMA, KDD, CRISP-DM, CRISP-ML, Data-to-Value1 etc.) have been recently proposed to facilitate the development of machine learning models in their organizational context. While the existing proposals vary with respect to complexity and suitability for particular tasks, it would be desirable to have software tools that embody or support these process models, and make it easier for project teams to capture, share among team members and stakeholders and preserve the relevant project information pertaining to the various process stages. In particular, recorded past statistics may be applied to predict the duration of stages or the overall project effort.

Presently, to the best of our knowledge, no requirement analysis exists that stipulates the detailed needs. To this end, we present a first collection and analysis of a requirements document for the software tooling for machine learning process models. We describe the functional and non-functional requirements of a Computer-Aided Machine Learning Modeling (CAMLM) tool, the soft-computing world’s counter-part to a CASE (Computer Aided Software Engineering) tool.

Various software cover sub-areas such as team management and communication management (Confluence, Jira, Slack, Zoom...) or project management (CRISP-DM, Scrum, Kanban-Board...) or data and information management (model management [Weber, Christian; Hirmer, Pascal; Reimann, Peter; Schwarz, Holger (2019): A New Process Model for the Comprehensive Management of Machine Learning Models. In: Proceedings of the 21st International Conference on Enterprise Information Systems: SCITEPRESS - Science and Technology Publications.] ). What is not available to our knowledge, however, is software that covers the entire sub-areas and the entire life cycle of machine learning projects in detail.

In Zeiten zurückhaltender wirtschaftlicher Stimmungslage ist die Gründung einer Unternehmung/ der Schritt in die Selbstständigkeit durchaus risikobehaftet. Handelt es sich dabei zudem um eine Gründung/Selbstständigkeit mit Nachhaltigkeits-Fokus, so deuten Befragungen darauf hin, dass hierbei nochmals weitere spezifische Herausforderungen auftreten können. Gleichzeitig leisten nachhaltigkeitsorientierte Gründerinnen und Gründer jedoch einen wertvollen Beitrag zur Bewältigung wirtschaftlicher und gesamtgesellschaftlicher Herausforderungen unserer Zeit - auch und gerade in einer ländlich und industriell geprägten Region wie der Region Oberfranken/Südthüringen. Im Austausch mit unseren externen hochschulischen Praxispartnern (allen voran der IHK zu Coburg und der HWK Bayreuth), die traditionell in der Phase der Unternehmensgründung/des Sich-Selbstständigmachens unterstützen, entstand die Idee, eine Befragung regionaler nachhaltigkeitsorientierter Gründerinnen und Gründer durchzuführen, um deren spezifischen Unterstützungsbedarfe und -wünsche zu erfragen. Dies haben wir gemeinsam mit Studierenden eines interdisziplinären Seminars der Hochschule Coburg im Wintersemester 2023/2024 umgesetzt. Die Befragung wurde dabei mit den Studierenden in allen Phasen der Untersuchung partizipativ geplant, durchgeführt und ausgewertet. Die Ergebnisse der Befragung sollen vorrangig der Gründungsberatung dienen (einer Aufgabe, mit denen sich auch Hochschulen jüngst immer mehr auseinandersetzen müssen), gleichzeitig aber auch Implikationen für die Hochschullehre i.S. einer “Sustainable/Social Entrepreneurship Education” bieten. Im angehängten Ergebnisposter werden Ausgangslage und Zielstellung der Untersuchung, die Methodische Anlage sowie die Ergebnisse der Befragung von N=14 nachhaltigen Gründerinnen und Gründern der Region Coburg/Südthüringen vorgestellt und sich erste daraus ergebende Implikationen aufgezeigt.