Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Künstliche Intelligenz für die Energiebedarfsprognose

Artificial Intelligence for Energy Demand Forecasting
 
: Tietz, Katrin
: Perrey, Sören; Stienecker, Malte

:
Fulltext urn:nbn:de:0011-n-6155207 (8.5 MByte PDF)
MD5 Fingerprint: e7f6b30c9972eb2ba22842d1543566fc
Created on: 1.12.2020


Gelsenkirchen, 2020, VII, 43 pp.
Gelsenkirchen, Hochschule, Master Thesis, 2020
German
Master Thesis, Electronic Publication
Fraunhofer UMSICHT Oberhausen ()
Prognosemodell; Regelbasiert; Künstliches Neuronales Netzwerk (KNN); Fernwärme

Abstract
Mit dem steigenden Anteil an Stromerzeugung aus regenerativen Energiequellen wie Photovoltaik und Windenergie steigt das Risiko der Systeminstabilität aufgrund von wetterabhängigen Fluktuationen. Eine Möglichkeit zum Ausgleich des schwankenden Energiedargebots liegt in der Flexibilisierung von Verbraucheranlagen. Dadurch können zum einen Versorgungslücken im Stromnetz ausgeglichen und zum anderen Überschussenergie wirtschaftlich genutzt werden. Dafür eignen sich unter anderem mittelgroße KWK-Anlagen (Kraft-Wärme-Kopplung) wie sie in Krankenhäusern zu finden sind. Diese produzieren aus Brennstoffen verbrauchsorientiert Wärme und als Nebenprodukt Strom. Um fexibel auf große Änderungen in der Energieerzeugung reagieren zu können, sind Wärmebedarfsprognosen für die Betriebsplanung der KWK-Anlagen unabdingbar. Prognoseabweichungen könnten zu einem nicht gedeckten Wärmebedarf oder Schäden im System führen. Daher ist es von entscheidender Bedeutung die Abweichungen einzuschätzen und in der Betriebsplanung zu berücksichtigen. In dieser Arbeit wird dafür der Fernwärmeverbrauch der Augusta-Kranken-Anstalt Bochum betrachtet. Die Prognosen werden mit Hilfe eines künstlichen neuronalen Netzes (KNN) erstellt. Aus der durchgeführte Datenanalyse und -visualisierung resultiert, dass die Tageszeit sowie vorhergehende Wärmebedarfs- und Temperaturwerte entscheidende Eingabemerkmale für das KNN sind. Die Messdaten zeigen eine höhere Streuung zu den Zeiten, in denen der mittlere Wärmeverbrauch auch höher ist. Da die Prognosen auf diesen Werten basiert, gilt es herauszufinden, ob sich die Streuung in den Prognoseabweichungen widerspiegelt. Im Gegensatz zu den Vergleichsmodellen (Naives und ARIMA-Modell) zeigt sich dieser Zusammenhang bei der Verwendung eines KNNs nicht. Die Prognoseabweichungen sind dabei unabhängig von der Eingabedatenstreuung über alle Tageszeiten konstant. Die Auswahl der Straffunktion zwischen mittlerer absoluter Abweichung und mittlerer quadratischer Abweichung hat keinen Einfuss auf die Verteilung der KNN-Prognoseabweichungen.

: http://publica.fraunhofer.de/documents/N-615520.html