Forschungsprojekt: Lastprognosen
Erstellung von Lastprognosen
Kooperation: Stadtwerke Osnabrück AG
Die Energiewirtschaft nimmt in Deutschland eine Schlüsselstellung ein und steht seit der Marktliberalisierung unter großem Wettbewerbsdruck. Entscheidend für die Wettbewerbsfähigkeit der Unternehmen wird neben der Kostenminimierung und Effizienzsteigerung interner Prozesse auch der Abschluss geeigneter Erzeugungs- und Liefervereinbarungen auch bei kurzfristigen Strom- und Gashandelsgeschäften sein.
Da Energie im großtechnischen Umfang praktisch nicht direkt speicherbar ist, muss der zeitliche Leistungsbedarf der Verbraucher unter Einhaltung aller technischen und wirtschaftlichen Randbedingungen durch Einsatz von Erzeugungsanlagen sowie Energiehandel gedeckt werden.
In Anbetracht dieser Entwicklung gewinnt der Einsatz von Lastprognosen zunehmend an Bedeutung. Sie wird für den wirtschaftlichen Erfolg eines Unternehmens wie z.B. für die Stadtwerke Osnabrück AG zunehmend wichtiger und ist zwingende Voraussetzung zur Teilnahme an liberalisierten Beschaffungs- und Abatzmärkten. Dabei sind sowohl kurz-, als auch mittel- und langfristige Prognosen von essentieller Bedeutung.
Inhalt dieser Forschungsarbeit ist es, auf der Basis der bei den Stadtwerken in Osnabrück vorliegenden Verbrauchsdaten ein verallgemeinerungsfähiges innovatives Prognosemodell zu erarbeiten. Dabei soll der Technik der künstlichen neuronalen Netze besondere Bedeutung zufallen, da man sich hiervon die besten Prognosen erhofft. Offen sind dabei Art, Topologie sowie Anzahl der neuronalen Netze. Neuronale Netze sind prinzipiell in der Lage, komplexe nichtlineare Abhängigkeiten als Black Box zu beschreiben. Das Potenzial der neuronalen Netze in diesem Zusammenhang zeigt eine kürzlich durchgeführte Diplomarbeit auf, in der mit Hilfe neuronaler Netze ein erstes zufriedenstellendes Prognosemodell für den Gasverbrauch vorgestellt wird (Fehler: 1-2%). Die Stromverbrauchsdaten sind jedoch deutlich komplexer und verlangen ein tieferes methodisches Vorgehen. Zu untersuchen ist ferner, in wie weit auch regelbasierte Methoden einen Beitrag zur Lösung der Prognoseprobleme in Kombination mit neuronalen Netzen liefern (Hybridsystem). Weiterhin sollen auch Vergleiche zu den klassischeren Regressions- und Autoregressionsverfahren gezogen werden. Damit ein Lastprognosemodell in der betrieblichen Praxis Verwendung finden kann, ist ein RMS-Fehler (root mean square) von kleiner als 5% zu einzuhalten. Ein solches Prognosemodell soll dann in ein bestehendes Energiedatenmangement (EDS) integriert werden.
Diplomarbeit
Untersuchung zum Einsatz von Lastprognosen mit Hilfe künstlicher neuronaler Netze bei der Stadtwerke Osnabrück AG. Markus Braun. 2002
Praxissemesterbericht
Erstellung eines Programms zur Beurteilung der Qualität von Prognosebibliotheken