Prognose von vertikalen Leistungsflüssen an Netzknoten unter Berücksichtigung erneuerbarer Leistungsprognosen

Der Anteil der wetterabhängigen erneuerbaren Energien in der Stromerzeugung nimmt kontinuierlich zu. Diese Energie wird in die Stromnetze eingespeist und räumlich an die Verbraucher verteilt. Die Übertragungsnetzbetreiber haben die Aufgabe, mit vorausschauenden Netzberechnungen drohende Netzengpässe frühzeitig zu erkennen und gegebenenfalls Maßnahmen durchzuführen, um diese zu beheben. Die Prognose der vertikalen Leistungsflüsse, also die Stromflüsse von Stromnetzen mit niedriger Spannung in das Übertragungsnetz, wird für die Netzberechnung als Randbedingung benötigt. In der Arbeit werden unterschiedliche Methoden zur Prognose der vertikalen Leistungsflüsse verschiedener Transformatoren für den Folgetag miteinander und gegen Baseline Methoden verglichen. Die Baseline Methoden sind grundlegende Ansätze, welche einen eventuellen Mehrwert der komplizierteren Methoden darstellen sollen. Bei den anderen beiden zu untersuchenden Methoden handelt es sich zum einen um einen Machine-Learning Ansatz, welcher auf historischen Daten trainiert wird und zum anderen um eine Kombinationsmethode, welche einzelne Erzeugungs- und Lastanteile prognostiziert und anschließend zu einer vertikalen Leistungsfluss Prognose kombiniert. Besondere Aufmerksamkeit wird in dieser Arbeit auf die Wind- und Photovoltaikprognose gelegt. Durch ein anschließendes Postprocessing des Machine-Learning Ansatzes wird die Prognose überarbeitet. Das Ziel hierbei ist, auch ohne manuelles Eingreifen eine anpassungsfähige Prognose zu erhalten. Zur Auswertung dienen vorgestellte Fehlermaße, welche die Güte der betrachteten Methoden definieren.