Experimental Data for the Paper "Knowledge-Guided Learning of Temporal Dynamics and its Application to Gas Turbines"

Overview

These experimental data support the paper "Knowledge-Guided Learning of Temporal Dynamics and its Application to Gas Turbines", presented at 15th ACM International Conference on Future Energy Systems (e-Energy '24), Singapore.
The data was collected from a commercial micro gas turbine designed for residential use, generating approximately 3 kW of electrical power. Its purpose was to model the turbine's behavior over time using machine learning techniques.

Time Series Data

Each time series represents a separate experiment where the input control voltage was varied over time, and the resulting output electrical power of the micro gas turbine was measured. The data has a resolution of approximately 1 second and is structured in a CSV file with the following columns:

time: Time in seconds, denoted as $t$.

input_voltage: Input control voltage in volts, representing the control signal $x_t$.

el_power: electrical power in watts, representing the output signal $y_t$.

Prediction Task

The data was used for a time-series prediction task, aiming to predict el_power based on input_voltage. In the paper, the objective was to forecast the output $y_t$ given the control inputs $x_t, x_{t-1}, \dots, x_{t-N+1}$.

Additional Information

Requirements for running create_plots.ipynb:

Python 3.8.17

Jupyter Notebook 6.5.4

Pandas 1.2.2

Matplotlib 3.5.2

Seaborn 0.12.2
When using this dataset, please cite the following paper:
Pawel Bielski, Aleksandr Eismont, Jakob Bach, Florian Leiser, Dustin Kottonau, and Klemens Böhm. 2024. Knowledge-Guided Learning of Temporal Dynamics and its Application to Gas Turbines, 15th ACM International Conference on Future Energy Systems (e-Energy '24), Singapore.
For more details and the code used in the experiments, visit the GitHub repository.

RADAR4KIT ist ein über das Internet nutzbarer Dienst für die Archivierung und Publikation von Forschungsdaten aus abgeschlossenen wissenschaftlichen Studien und Projekten für Forschende des KIT. Betreiber ist das Karlsruher Institut für Technologie (KIT). RADAR4KIT setzt auf dem von FIZ Karlsruhe angebotenen Dienst RADAR auf. Die Speicherung der Daten findet ausschließlich auf IT-Infrastruktur des KIT am Steinbuch Centre for Computing (SCC) statt.

Eine inhaltliche Bewertung und Qualitätsprüfung findet ausschließlich durch die Datengeberinnen und Datengeber statt.

Das Nutzungsverhältnis zwischen Ihnen („Datennutzerin“ bzw. „Datennutzer“) und dem KIT erschöpft sich im Download von Datenpaketen oder Metadaten. Das KIT behält sich vor, die Nutzung von RADAR4KIT einzuschränken oder den Dienst ganz einzustellen.
Sofern Sie sich als Datennutzerin oder als Datennutzer registrieren lassen bzw. über Shibboleth legitimieren, kann Ihnen seitens der Datengeberin oder des Datengebers Zugriff auch auf unveröffentlichte Dokumente gewährt werden.
Den Schutz Ihrer persönlichen Daten erklären die Datenschutzbestimmungen.
Das KIT übernimmt für Richtigkeit, Aktualität und Zuverlässigkeit der bereitgestellten Inhalte keine Gewährleistung und Haftung, außer im Fall einer zwingenden gesetzlichen Haftung.
Das KIT stellt Ihnen als Datennutzerin oder als Datennutzer für das Recherchieren in RADAR4KIT und für das Herunterladen von Datenpaketen keine Kosten in Rechnung.
Sie müssen die mit dem Datenpaket verbundenen Lizenzregelungen einhalten.

Micro Gas Turbine Data

Overview

Folder Structure

Time Series Data

Prediction Task

Additional Information

Dataset: Experimental Data for the Paper "Knowledge-Guided Learning of Temporal Dynamics and its Application to Gas Turbines"

Micro Gas Turbine Data

Overview

Folder Structure

Time Series Data

Prediction Task

Additional Information