Bachelorarbeit Markus Schraven

 

Vergleich von Aggregationsalgorithmen zur Erstellung von typischen Lastprofilen zur optimalen Auslegung von Gebäudeenergiesystemen

Mit 40%trägt derGebäudesektor inDeutschland zumGesamtenergieverbrauch bei. Eine bedarfsangepasste
Erzeugung kann hier große Energieeinsparungen bewirken und wird beispielsweise durch
eine optimale Auslegung des Gebäudeenergiesystems ermöglicht. Durch hochaufgelöste Eingangsdaten
und die Kombinatorik der unterschiedlichen betrachteten Anlagen sowie deren Betriebsweise
unterliegt die Auslegung jedoch einer hohen Komplexität, wodurch sich lange Rechen-Laufzeiten
ergeben.
Eine übliche Praxis zur Reduktion des Rechenaufwands ist die zeitliche Klassifizierung der Eingangsdaten
nach Monaten und der Repräsentation jedes Monats durch einen Monatsmittelwert.
In dieser Arbeit werden fünf methodische Verfahren vorgestellt, die eine Gruppierung der Daten
aufgrund ihrer Ähnlichkeit vorsehen und einen Repräsentanten jeder Gruppe wählen - darunter
k-medoid und k-center - oder berechnen, im einzelnen k-means bzw. k-means* und k-median.
Daraufhin werden die Ergebnisse der Auslegung mit aggregierten Eingangsdaten für jeweils ein
Einfamilien-, einMehrfamilien- und ein Apartmenthaus mit denen eines Referenzfalls, hier die Auslegung
mit unaggregierten Eingangsdaten, und denen der Auslegung bei Verwendung vonMonatsmittelwerten
gegenübergestellt und verglichen.
Die Ergebnisse zeigen, dass die Verwendung der Aggregationsverfahren zu höheren Übereinstimmungen
mit dem Referenzfall führt als eine Klassifizierung nachMonaten. Dabei finden die Verfahren
mit berechneten Repräsentanten häufiger zu einer gleichen Anlagenkombination als im Referenzfall.
Beispielsweise werden für das Mehrfamilienhaus bei k-means und k-means* in 17/20 und
16/20 Fällen die gleichen Anlagenkombinationen wie im Referenzfall gewählt, während k-medoid
und k-center nur in 11/20 und 7/20 Fällen zu dieser Komponentenvariante finden.Dagegen dimensionieren
Verfahren, welche einen originalen Datenpunkt als Repräsentanten wählen, die Anlagen
realistischer bezüglich der Referenzauslegung und können die Kosten ebenso besser annähern.
Eine entscheidende Rolle für eine realistische Auslegung bei reduzierter Datenmenge spielt die
Qualität der Aggregation hinsichtlich der Repräsentation der Ursprungsdaten sowie die Größe des
betrachteten Gebäudeenergiesystems: Je kleiner das System, desto sensibler ist dieses gegenüber
Abweichungen und umso stärker weichen dadurch die Auslegungsergebnisse bei unaggregierten
und aggregierten Eingangsdaten voneinander ab. Je höher die Aggregationsqualität, desto eher kann
ein Bedarf detektiert werden, der zur Installation einer Komponente führt. Ist das System hinreichend
robust und die Aggregationsqualität ausreichend, so können die Verfahren einen guten Kompromiss
zwischen entstehendem Fehler und Zeitgewinn im Vergleich zum Referenzfall bieten.