Entwicklung von Lastprognosemodellen für elektro-thermische Verbraucher in privaten Haushalten

Abstract

Im Zuge dieser Diplomarbeit werden nach einer Recherche über die Grundlagen der Gebäudebeheizung und Warmwasserbereitung - im Speziellen von elektro-thermischen Geräten - gängige Prognoseverfahren beschrieben. Anschließend soll in Matlab ein Prognosemodell entwickelt werden, welches mit zur Verfügung gestellten Lastdaten arbeitet. Da es eines der Hauptziele des Netzbetriebs ist, aktuelle Ressourcen in wirtschaftlicher Weise zu verwerten, spielt die Lastprognose spielt eine große Rolle beim Energiemanagement. Unter der Lastprognose versteht man nun die Vorhersage des elektrischen Energieverbrauches innerhalb des Versorgungsnetzes über einen definierten Zeitraum. Sie wird heute vor allem von Energieversorgungsunternehmen angewandt um kurz- bis langfristige Entscheidungen über den zukünftigen Energieverbrauch fällen zu können. Einflussgrößen des Lastgangs auf Haushaltsebene sind neben Unterschieden zwischen Wochentagen und Wochenendtagen sowohl die Temperatur als auch diverse andere Faktoren. Grundlegende Verfahren zur Lastprognose zielen darauf ab ein mathematisches Verfahren zu finden, mit dem sich zukünftige Lastwerte basierend auf historischen Daten erklären lassen. Im Zuge der Arbeit werden das ARIMAX-Modell, die Box-Jenkins Methode, das Künstliche Neuronale Netzwerk, die Fuzzy-basierte Vorhersage, Neurofuzzy-Netze, das Kalman-Filter sowie das Vergleichstageverfahren beschrieben. Als Datengrundlage zur Erstellung des Prognosemodells stehen unterschiedliche gemessene Lastverläufe von gewöhnlichen Gasheizungsanlagen samt Umlaufpumpen, Elektroheizungen, Wasserboilern, Heizungsstrahlern und Kühlschränken zur Verfügung. Die Daten lassen sich in kontinuierlich schwankende Lasten (z.B. Heizung bzw. Heizungssteuerung, Pumpe), Großteils periodische Lastsprünge (anzutreffen bei reinen temperaturgeregelten Elektroheizungen) und manuelle Lastsprünge (z.B. Durchlauferhitzer oder Heizstrahler) unterteilen. Je nach Klassifikation zeigen sich unterschiedliche Prognoseergebnisse. Bei der Erstellung des Prognosemodells in Matlab fällt die Wahl auf ein ARMAX Modell. Das ARMAX Modell eignet sich hervorragend für kurzfristige Lastprognosen. Da sich damit Lastverläufe mit vielen Sprüngen und Lastspitzen nicht optimal abbilden lassen - hier wird auf die Aussage des Energieverlaufs über den Tag verwiesen - wird als Alternative ein Vergleichstageverfahren angeboten. Die Dateneingabe bzw. Parameterwahl erfolgt über ein einfaches grafisches Userinterface.

After a research on the basics of building heating and hot water production, common forecasting methods - in particular for electro-thermal devices in the course of this thesis are described. Subsequently there is a Matlab forecasting model to be developed, which works with provided load data. The load forecasting plays an important role in energy saving, as it is one of the main objectives of network operations, to utilize current resources in an economical manner. Under load forecast we understand the prediction of electric energy consumption within the supply network over a defined period of time. Today this is used mainly by power supply companies which are able to make an estimate on the future energy consumption and long-term decisions. Influences for the load profile at a household level, in addition to differences between weekdays and weekend days are the temperature among other factors. Basic methods for load forecasting aim to find a mathematical method to explain future load values based on historical data. I will describe the ARIMAX model, the Box-Jenkins method, Neural Networks, the fuzzy-based prediction, Neurofuzzy networks, the Kalman filter as well as the comparison day's method. The data basis is different measured load curves like ordinary gas heating systems including circulating pumps, electric heaters, water heaters, refrigerators and heating radiators. I will divide these into continuously fluctuating load (e.g. heater or heating control with pump), mostly periodic cyclic loads (encountered in pure temperature-controlled electric heaters) and manual load changes (e.g. electric heaters, water heaters or radiators). Upon classification there are different prognosis results. When creating the forecast model in Matlab, the choice falls on an ARMAX model. The ARMAX model is ideal for short-term load forecasting. Since load curves with many manual jumps or peaks are difficult to map - here the energy consumption of a whole day is interesting - a comparison day's method is offered as an alternative. The data entry and parameter selection is done via a simple graphical user interface.