DC FieldValueLanguage
dc.contributor.advisorGröschl, Martin-
dc.contributor.authorBrunnhofer, Thomas-
dc.date.accessioned2020-06-28T06:22:15Z-
dc.date.issued2019-
dc.date.submitted2019-12-
dc.identifier.urihttps://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-133321-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/3218-
dc.description.abstractDer Energiesektor unterliegt einem Wandel. Die optimale Nutzung von dezentralen und erneuerbaren Energiequellen ist eine der großen Herausforderungen für das Energienetz der Zukunft. Die Entwicklung hin zu effizienten dezentralen Smart-Grids benötigt die optimale Nutzung von dezentraler Energieerzeugung gekoppelt mit Energiespeichern. Smart Meter --intelligente Stromzähler-- überwachen den Netzstatus und werden für das Aufzeichnen der Energieverbrauchsdaten eingesetzt. Analysieren dieser Energieverbrauchsdaten kann beim optimalen Betrieb von Smart-Grids unterstützen. In dieser Arbeit werden Machine Learning Techniken --insbesondere Recurrent Neural Networks-- verwendet, um mithilfe von Energieverbrauchszeitreihen, möglichst genaue Vorhersagen des Energieverbrauchs von Einzelhaushalten zu bekommen. Gute Vorhersagen des Energieverbrauchs sind ein wichtiger Bestandteil für die Optimierung und Ausführung von dezentralen Verbundnetzen. Präzise Vorhersagen für den Energieverbrauch von Einzelhaushalten ist eine große Herausforderung, besonders wegen der hohen Volatilität der Verbrauchszeitreihen. Diese Arbeit vergleicht unterschiedliche Neuronale Netze, und untersucht den Effekt von Zeitauflösung sowie zusätzlicher Information, auf die Qualität der Verbrauchsvorhersagen. Recurrent Neural Networks waren die besten Modelle hinsichtlich der Verbrauchsprognosen. Weiters scheint der Ansatz --für einzelnen Haushalte spezifische Modelle zu trainieren-- vorteilhaft. Keine Vorteile wurden gefunden für das Nutzen zusätzlicher Information.de
dc.description.abstractThe energy sector is transforming rapidly. The use of distributed renewable energy sources is fostering the development of more decentralized energy grids. Optimally using those distributed energy sources in combination with energy storage systems is the challenge of the future. Advanced metering infrastructure is monitoring and recording the grid state and the energy consumption of its participants. Making use of those energy recordings for optimizing the functionality of decentralized grids is a major objective in the energy sector. This thesis investigates the usage of machine learning techniques --especially recurrent neural networks-- for the task of energy consumption forecasting by utilizing smart meter recordings of individual households. Good short term forecasts of energy consumption are a vital part in the overall optimization of decentralized grids --in the form of smart grids and local energy communities--. By comparing various neural network architectures with benchmarks and studying the effect of data granularity and exogenous features, this thesis is part of the growing research in the realm of short term energy consumption forecasting. Recurrent neural networks were found to be slightly advantageous; as is the approach for using dedicated models for single households. Using the exogenous features did not result in better forecasts. The task, however, is challenging due to the volatility of a single household's energy consumption.en
dc.format123 Seiten-
dc.languageEnglish-
dc.language.isoen-
dc.subjectEnergiesystemede
dc.subjectSmart Gridsde
dc.subjectLocal Energy Communitiesde
dc.subjectOptimierungde
dc.subjectSmart Meterde
dc.subjectZeitreihende
dc.subjectEnergieverbrauchde
dc.subjectMaschinelles Lernende
dc.subjectNeuronale Netzede
dc.subjectEnergy Systemsen
dc.subjectSmart Gridsen
dc.subjectLocal Energy Communitesen
dc.subjectOptimizationen
dc.subjectSmart Meteren
dc.subjectTime Seriesen
dc.subjectEnergy Consumptionen
dc.subjectMachine Learningen
dc.subjectRecurrent Neural Networken
dc.titleHousehold energy consumption forecasting using recurrent neural networksen
dc.typeThesisen
dc.typeHochschulschriftde
dc.publisher.placeWien-
tuw.thesisinformationTechnische Universität Wien-
tuw.publication.orgunitE134 - Institut für Angewandte Physik-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC15546923-
dc.description.numberOfPages123-
dc.identifier.urnurn:nbn:at:at-ubtuw:1-133321-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
item.languageiso639-1en-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.fulltextwith Fulltext-
item.openaccessfulltextOpen Access-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
item.grantfulltextopen-
item.openairetypeThesis-
item.openairetypeHochschulschrift-
Appears in Collections:Thesis

Files in this item:


Google ScholarTM

Check


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