DC FieldValueLanguage
dc.contributor.advisorFriedl, Anton-
dc.contributor.authorFrossard, Valentin-
dc.date.accessioned2020-11-06T07:37:22Z-
dc.date.issued2020-
dc.date.submitted2020-
dc.identifier.urihttps://doi.org/10.34726/hss.2020.48461-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/16081-
dc.descriptionArbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft-
dc.descriptionAbweichender Titel nach Übersetzung der Verfasserin/des Verfassers-
dc.description.abstractDer steigende Anteil erneuerbar Energieträger führt zu Schwankungen in der Stromproduktion und reduziert damit aufgrund erhöhter Planungsunsicherheit die Netzstabilität. Um das Stromangebot und die Stromnachfrage im Gleichgewicht und somit die Netzstabilität zu gewährleisten, gewinnt eine genaue Bedarfsvorhersage zunehmend an Bedeutung. In dieser Arbeit werden Artificial Neural Networks (ANNs), Convolution Neural Networls (CNNs) und Long-Short Term Memory Networks (LSTMs), drei häufig verwendete Deep Learning Algorithmen, in ihrer Fähigkeit verglichen, den Strombedarf von drei Industriedatensets einen Tag vorab mit einer Genauigkeit von 15 Minuten vorherzusagen. Die Ergebnisse der Algorithmen wurden zueinander sowie mit der, von den Industriepartnern, aktuell verwendeten Methode verglichen. Die Deep Learning Algorithmen konnten, verglichen mit der aktuell verwendeten Methode, die Vorhersagegenauigkeit um 20% - 45% verbessern. Dabei erzielten die LSTM Modelle die besten Ergebnisse, allerdings nur um 2% - 5%, verglichen mit dem jeweils zweitbesten Algorithmus. Damit sind LSTM Modelle gegenüber ANN oder CNN Modellen grundsätzlich zu bevorzugen. Da allerdings LSTM Modelle wesentlich aufwendiger zu trainieren sind, kann es bei Problemstellungen, in denen häufiges neu-trainieren notwendig ist, vorteilhaft sein, ein zweitplatziertes ANN oder CNN Modell zu wählen.de
dc.description.abstractWith the increasing production volatility in the power grids due to renewable energy sources, an exact and individualized energy demand forecast of industrial customers is becoming more important to ensure the supply-demand balance at any time. In this thesis three commonly used deep learning algorithms, Artificial Neural Networks (ANNs), Convolution Neural Networks (CNNs) and Long-Short Term Memory Networks (LSTMs) are tested for their ability to predict the load demand of three industrial data sets one day in advance with an accuracy of 15 minutes. The results were compared to each other and to the method currently used by the industrial partners. It was found that deep learning algorithms can improve the prediction accuracy by 20% - 45% compared to the currently used method. Among the Deep Learning algorithms, LSTM achieved the best results, but only by 2% - 5% compared to the second-ranked algorithm, with a much higher training effort. Therefore, LSTM models generally are to be prefered over ANN or CNN algorithms. However, in cases requiring frequent retraining, using a second-ranked ANN or CNN algorithm may be advisable, as they are faster in training.en
dc.format97 Seiten-
dc.languageEnglish-
dc.language.isoen-
dc.subjectEthanolde
dc.subjectBiogasde
dc.subjectFermentationde
dc.subjectMultivariate Datenanalysede
dc.titleCapability evaluation of deep learning for time-series prediction in medical packaging productionen
dc.title.alternativeVergleich von Deep Learning Algorithmen zur Zeitserienvorhersage in der medizinischen Verpackungsproduktionde
dc.typeThesisen
dc.typeHochschulschriftde
dc.identifier.doi10.34726/hss.2020.48461-
dc.publisher.placeWien-
tuw.thesisinformationTechnische Universität Wien-
dc.contributor.assistantLohninger, Johann-
tuw.publication.orgunitE166 - Institut für Verfahrenstechnik, Umwelttechnik und technische Biowissenschaften-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC16066508-
dc.description.numberOfPages97-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openaccessfulltextOpen Access-
item.openairetypeThesis-
item.openairetypeHochschulschrift-
item.fulltextwith Fulltext-
item.languageiso639-1en-
item.grantfulltextopen-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
Appears in Collections:Thesis

Files in this item:


Page view(s)

68
checked on Sep 15, 2021

Download(s)

127
checked on Sep 15, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.