Prognosemodelle in der Energietechnik

Datenbasierte Modellierung

Grundlage der (Mess-)datenbasierten Prognose ist die Darstellung physikalisch komplexer, meist in Ihrem Gesamtumfang formell nicht vollständig beschreibbarer Zusammenhänge durch vereinfachte Modellansätze, vgl. Abbildung 8. Dies geschieht häufig mit dem Ziel der Vorhersage einer bestimmten Größe, zum Beispiel einer Leistung, einer Energie oder von Systemtemperaturen, in Abhängigkeit externer Einflüsse, zum Beispiel von Wetterdaten oder einem spezifischen Nutzerverhalten. Für die Modellerstellung kommen hierbei vorwiegend klassische Methoden wie

• Multiple lineare Regression,
• ARIMA bzw. ARIMAX Modelle,

aber auch alternative Ansätze mit

• künstlichen neuronalen Netzen,
• support vector machines oder
• Gauß Prozessen

zum Einsatz.

Unter Umständen kann zur Verbesserung der Modellgenauigkeit und Prognosegüte eine auf bestimmten Eigenschaften basierende Kategorisierung der vorhandenen Daten zielführend sein. Neben heuristischen Ansätzen kann dies zum Beispiel automatisiert durch die Anwendung von self-organizing maps (SOM) erfolgen. Ein solcher Ansatz kann auch zur Anwendung kommen, wenn nur bestimmte Ereignisse aus einem großen Messdatenbestand herausgefiltert und gezielt modelliert werden sollen.

_{Abbildung 8: Modellierung des Wärmebedarfs eines Krankenhauses mit Methoden der multiplen linearen Regression}

Eine Quantifizierung der möglichen erreichbaren Prognosegüte der erstellten Modelle erfolgt je nach Anforderung durch die Auswertung verschiedener Kenngrößen wie beispielsweise dem Bestimmtheitsmaß (R²), der mittleren Quadratfehlersumme (RMSE), dem mittleren Absolutfehler (MAE), der absoluten Abweichung von Extremwerten (PDIFF), der Anzahl von Vorzeichenwechseln des Residuums (NSC) u.a.

Arbeiten zum Thema Prognose

Eigenentwickelte Software:

• Werkzeug zur Erzeugung von Lastgängen für variable Witterungsbedingungen: FreePlan
  Poster zum 32. Symposium Solarthermie und innovative Wärmesysteme 2022 im Kloster Banz

_{Abbildung 9: FreePlan, Werkzeug zur Erzeugung von Lastgängen für variable Witterungsbedingungen}

Anwendung in Projekten

Prognose von Wärme- und Strombedarf des Versorgungsnetzes im laufenden Betrieb, Eins Energie Chemnitz

DELFIN – Decentralized Feed-In:

Prognose von Wärmelastgängen verschiedener Abnehmer in FernwärmenetzenRegressionsbasierte Rücklauftemperaturmodellierung von Fernwärmeabnehmern (Projekt "DELFIN")

FlexControl:

Regressionsmodell für die Kältebedarfsprognose eines Bürogebäudes

Studentische Arbeiten:

Messdatenaufbereitung und Regressionsanalyse von Wärmebedarfs- und Rücklauftemperaturprofilen, 2019

Automatische Mustererkennung und Modellierung von Trinkwarmwasser-Bedarfsprofilen, 2019

Entwicklung von Prognosemodellen des Wärmebedarfs energieeffizienter Gebäude, 2018

Analyse von Gütekriterien zur Bewertung der Übereinstimmung von Zeitreihen, 2017

Einfluss des Trinkwarmwassers auf die Modellgüte der Wärmebedarfsprognose am Beispiel von Mehrfamilienhäusern, 2017

Auswertung und Erweiterung der Energiebedarfsprognose für KWK-Anlagen, 2017

Entwicklung von Prognosemodellen unter Berücksichtigung multikriterieller Gütekriterien, 2017