Bachelorarbeit Harmanvir Singh

 

Entwicklung von Machine-learning-Prognoseverfahren zur Netzzustandsschätzung.

Coordinet Forecasting Urheberrecht: EBC Kurzfristige Lastprognose zum managen von Engpässen auf Verteilernetz- Übertragunsnetzebene.

Mit voranschreitender Produktion an erneuerbaren Energien kommt es zu neuen Herausforderungen in der Energieversorgung.

Verteilernetzbetreiber versuchen mit Lastprognosen gegen die steigenden Unsicherheiten und die Verkürzung der Planungshorizonte vorzugehen. Das Ziel ist es, mit einem Machine-Learning Algorithmus eine Prognose zu modellieren. Dabei soll das Modell eine Lastprognose für den folgenden Tag in einer stündlichen Auflösung ausgeben. Die Daten des Verteilernetzes in Skane werden dabei verwendet.

Dazu wurden in der Recherche geeignete Algorithmen identifiziert und ausgewählt. Diese ergab, dass Regressionsmodelle besonders für eine Lastprognose geeignet sind. Aufgrund der Anforderungen an die Prognose ist SARIMAX ein vielversprechendes Modell.

Im Rahmen der Implementierung wurde eine umfassende Datenanalyse und eine anschließende Parameteridentifikation für ein SARIMAX-Modell durchgeführt. Die Datenanalyse bestand dabei aus einer Clusteranalyse, Feature-Entwicklung und Feature-Auswahl.

Die Clusteranalyse der Daten ergab, dass sich die Lastverläufe im Sommer gegenüber den Verläufen im Winter unterscheiden. Im Sommer ist der Energiebedarf der gesamten Region geringer. Aus diesem Grund ist es naheliegend die Modellierung der Sommer- und Wintermonate zu trennen. Die Feature-Entwicklung wurde in Hinblick auf einen kritischen Netzzustand durchgeführt. Dabei wurde deutlich, dass kritische Zustände lediglich tagsüber an Werktagen auftreten. Aus der Feature-Auswahl folgt, dass die Energieproduktion von einem naheliegendem Off-Shore Windpark den größten Einfluss auf die Residuallast besitzt. Außerdem erwiesen sich Temperatur, Luftfeuchtigkeit und Windgeschwindigkeit als nützliche Features. Mithilfe der Parameteridentifikation wurden Parameter für Winter- bzw. Sommerdaten identifiziert und individuelle Modelle umgesetzt.

Die Validierung der Modelle ergab, dass sie sich für eine Prognose von Werktagen eignen. Bei Vorhersagen von Wochenenden wurden keine zufriedenstellenden Ergebnisse erzielt. Die Prognosen der Modelle für die Dynamiken von Wochenenden sollten verbessert werden.