Pattern recognition in a heterogeneous smart grid environment

Abstract

Bei einem Smart Grid nur die abgetasteten Netzmesswerte zu beobachten, ist eine altmodische und veraltete Art, solch ein hochdynamisches und heterogenes System zu betrachten. Vielmehr ist es notwendig, die Einflüsse der Umwelt (z.B. Wetter, saisonales Verhalten) und der Heterogenität (z.B. unterschiedliche Energiequellen und Verbraucher) in die Analyse und Optimierung mit einzubeziehen. Diese Arbeit geht daher von einer sehr abstrakten Sichtweise eines Smart Grids aus und stellt eine Pipeline für das Extrahieren von Mustern und einen Machine Learning Design Cycle vor. Die Pipeline legt Methoden und Konzepte zur Extraktion von Mustern in Bezug auf die Umwelt und die heterogenen Einflüsse dar. Dieser Schritt des Erkennens und Extrahierens von Mustern wird durch die Anwendung dieser Pipeline auf historische Daten eines bestehenden Testbeds in Aspern Wien, Österreich, erreicht. Der zweite Teil dieser Arbeit konzentriert sich auf den Machine Learning Design Cycle, der eine allgemeine Methodik für die Entwicklung von Machine Learning Konzepten basierend auf den extrahierten Mustern bereitstellt. Dies resultiert in Konzepten für die Vorhersage des Energieverbrauchs auf Basis von Umwelteinflüssen, das Clustering von Systemzuständen und die Erkennung von seltenen Events. Das übergeordnete Ziel all dieser Konzepte ist es, die Funktionalität, Zuverlässigkeit und Effizienz solch moderner Smart Grids zu optimieren.

Considering a Smart Grid and just observing the sampled grid measurements is an old-fashioned and outdated way of looking at this highly dynamical and heterogeneous system. There is a strong need of involving the environmental (e.g., weather, seasonal behaviour) and heterogeneous (e.g., diverse energy sources and consumers) influences into their analysis and optimization. This thesis is therefore starting at a very abstract viewpoint of such a Smart Grid and proposes: a pipeline for extracting patterns and a design cycle for developing Machine Learning concepts. The pattern extraction pipeline provides methods and concepts for extracting patterns related to the environmental and heterogeneous influences. This step of revealing and extracting patterns is achieved by applying this pipeline on historical data of an existing testbed in Aspern Vienna, Austria. The second part of this thesis is then focused on proposing a Machine Learning design cycle, which provides a general methodology for developing Machine Learning concepts based on the extracted patterns. This results in concepts for power consumption forecasting based on environmental data, system state clustering and rare event detection. The overall aim of all these concepts is to optimize the functionality, reliability and efficiency of the modern Smart Grids.