Refine
Document Type
Way of publication
- Open Access (1)
Language
- German (5)
Keywords
- Data Mining (1)
- Maschine-Learning (1)
- Photovoltaik (1)
- Prognose (1)
- Smart-Grid (1)
- Strom (1)
- Wärme (1)
Institute
Smart-Grids können zukünftig eine wichtige Grundlage für einen effizienten Netzbetrieb sein und durch eine optimale Einsatzplanung und stärkere Kopplung der unterschiedlichen Sektoren Flexibilität für das Energieversorgungssystem bereitstellen. Zur Lösung dieser Aufgabe müssen Smart-Grids dezentral die Bereitstellung und Nutzung von Strom, Wärme, Gas und Mobilität optimieren. Prognosen der einzelnen Komponenten sind grundlegende Voraussetzung für eine effiziente Einsatzplanung und werden einerseits für die Koordination auf energiewirtschaftlicher Ebene und andererseits zur Überprüfung bzw. Einhaltung der technischen Rahmenbedingungen benötigt.
Diese Problemstellung wurde in der vorliegenden Dissertation aufgegriffen und Prognosesysteme für die unterschiedlichen Komponenten eines Smart-Grids entwickelt. Beim Stromsektor wurde als Vertreter für die Erzeugerseite ein System zur Prognose der Wirkleistung von \PV-Anlagen entwickelt. Auf der Verbrauchseite stand der elektrische Energieverbrauch von Gebäudekomplexen und insbesondere vom Zentralcampus der Brandenburgischen Technischen Universität Cottbus-Senftenberg im Fokus der Untersuchungen. Für den Mobilitätssektor bot sich der Ladesäulenpark am Zentralcampus Cottbus als Betrachtungsgegenstand an und wurde im Rahmen der Übertragbarkeitsuntersuchungen berücksichtigt. Zum Abschluss wurde als weiterer wichtiger Bestandteil eines Smart-Grids der Wärmebedarf näher betrachtet und für diesen Anwendungsbereich ein Prognosesystem entwickelt. Letztendlich stehen somit für alle wichtigen Komponenten eines Smart-Grids kurzfristige Prognosen für die Einsatzplanung zur Verfügung. Die Validierung der Prognosemodelle stützte sich im Wesentlichen auf die Daten des Zentralcampus Cottbus.
Bei der Entwicklung und Modellbildung der Prognosesysteme kamen unterschiedlichste Verfahren des Data Mining und Maschinellen Lernens zum Einsatz. Die besten Ergebnisse lieferten hierbei Ensemble-Methoden auf Basis von Entscheidungsbäumen. Im Weiteren wurde auch das Standardlastprofilverfahren des VDEW zur Prognose des elektrischen Energieverbrauchs angewendet und weiterentwickelt. In Abhängigkeit vom Anwendungsfall lag bei allen Prognosesystemen der Normalisierte Absolute Fehler im Bereich von 1,5% bis 3%. Hier liegt die Vermutung nahe, dass ein Großteil dieser verbleibenden Prognoseungenauigkeit auf zufällige Ereignisse, die sich nicht prognostizieren lassen, zurückzuführen ist. Weitere Optimierungspotentiale hinsichtlich der Prognosequalität sind aller Voraussicht nach nur durch eine Erhöhung der Modellkomplexität und Anzahl der zu betrachtenden Datenpunkte erreichbar.
In Hinblick auf die wissenschaftliche Verwertbarkeit und Anschlussfähigkeit können die Prognosen der Einzelkomponenten für die Einsatzplanung eines Smart-Grids beispielsweise zur Erhöhung des Autarkiegrades, der Spitzenkappung zur Vermeidung von Pönalen oder Abfahren vorgegebener Lastprofile zur Partizipation an zukünftigen Strom- und Flexibilitätsmärkten genutzt werden.