Das größte Problem mit dem sich alle Erzeuger-EVUs beschäftigen müssen, ist die Einsatzplanung der zur Verfügung stehenden Kraftwerke und die Einhaltung der mit Verbundnetzen abgeschlossenen Verträge, so daß sich ein Kostenoptimum für jeden einzelnen Tag und in der Jahresbilanz ergibt.
Vorliegende Arbeit beschäftigt sich mit der Analyse und Auswertung verschiedener Prognosesysteme im Kontext der Energiebedarfsplanung der Stadt Bremen und zeigt deren Stärken und Schwächen auf.
Inhaltsverzeichnis
1 EINLEITUNG
2 ANALYSE
2.1 EINFÜHRUNG
2.2 DATENVERARBEITUNG MITTELS SPSS FÜR WINDOWS
2.3 DAS DATENMATERIAL
2.3.1 AUFBEREITUNG DES DATENMATERIALS ZUR ANALYSE
2.3.2 KORREKTUR DES INKONSISTENTEN DATENMATERIALS
2.3.3 CHARAKTERISTISCHE DATENAUFTEILUNG
2.3.4 CHARAKTERISTIKEN
2.3.4.1 Verteilungen
2.4 ZEITREIHEN
2.4.1 STATIONARITÄT DER ZEITREIHE
2.4.2 SPEKTRALANALYSE
2.4.3 EMPIRISCHE MOMENTE 1. UND 2. ORDNUNG DER ZEITREIHE
2.4.4 ZUSAMMENHANGSANALYSE
2.4.4.1 Streudiagramme (Scatterplots)
2.4.4.2 Korrelogramme
3 PROGNOSEVERFAHREN/-MODELLE
3.1 BEURTEILUNGSMETHODEN FÜR DIE PROGNOSEQUALITÄT
3.1.1 EX-ANTE-BEURTEILUNG
3.1.2 EX-POST-BEURTEILUNG
3.2 UNIVARIATE PROGNOSEVERFAHREN
3.2.1 DIE NAIVE PROGNOSE
3.2.2 PROGNOSE DURCH GLEITENDEN DURCHSCHNITT
3.2.3 EXPONENTIELLE GLÄTTUNG
3.3 MULTIVARIATE PROGNOSEVERFAHREN
3.3.1 MULTIPLE REGRESSIONSANALYSE
3.3.2 ADAPTIVE FILTERSYSTEME
3.4 HEURISTISCHE PROGNOSEVERFAHREN
4 ZUSAMMENFASSUNG
Zielsetzung & Themen der Arbeit
Die Diplomarbeit untersucht die Möglichkeiten und Voraussetzungen für die Erstellung eines automatisierten Prognosesystems für die elektrische Tageslastganglinie der Stadtwerke Bremen AG. Ziel ist es, unter Verwendung mathematischer Prognoseverfahren wie statistischer Methoden und Zeitreihenanalysen eine Vorhersagequalität zu erreichen, die der manuellen Prognose durch Lastverteiler entspricht oder diese übertrifft.
- Analyse des Energieverbrauchsverhaltens und relevanter Einflussgrößen (z.B. Wetter, Wochentage).
- Evaluierung verschiedener Prognosemodelle (univariat, multivariat, heuristisch).
- Korrektur und Aufbereitung von historischen Last- und Umweltdaten.
- Untersuchung von Stationarität und Systemdynamik der Zeitreihen.
- Validierung der Prognosegüte durch statistische Fehlermaße (MAA, MQA, U-Koeffizient).
Auszug aus dem Buch
2.3.2 Korrektur des inkonsistenten Datenmaterials
Eine sich bei der später beschriebenen Datenanalyse herausstellende Problematik war die der Dateninkonsistenz. Durch anfallende Reparaturarbeiten, TÜV-Inspektionen oder einfach durch einen kurzzeitigen Ausfall der Rechneranlage, kommt es in unregelmäßigen Zeitabständen zu Ausfällen der Datenerfassung, wodurch die insgesamt archivierten Datenbestände zwar größtenteils nur kleine Unstimmigkeiten, des häufigeren jedoch auch große Verfälschungen aufwiesen. Dies ist seitens der Stadtwerke ohne Probleme zu vertreten, da die Leistungsdaten momentan nur zu statistischen Zwecken erfaßt werden.
Die Problematik bei der Bearbeitung inkonsistenter Daten liegt auf der Hand6; sämtliche Analyseergebnisse sind unterschiedlich stark verfälscht und können nicht nach Güte eingestuft werden, weshalb eine Nachbearbeitung zwingend notwendig ist.
Die größten Probleme der Datenaufbereitung sind mit Abstand die der Detektio und der Lokalisierung der fehlerbehafteten Daten. Fällt beispielsweise bei einer TÜV-Inspektion lediglich eine Datenquelle (= erzeugte Leistung eines Blocks) für die Erfassung aus, so fällt dies in der Gesamtsumme der Erzeugerdaten unter Umständen gar nicht ins Gewicht, denn Leistungssprünge von bis zu 50 MW innerhalb einer halben Stunde sind keine Seltenheit im betrachteten Versorgungsgebiet (siehe dazu auch Kapitel 2.3.4 Charakteristiken ab Seite 20).
Trotzdem wurde eine Korrektur der Daten unter Zuhilfenahme großer (vermeintlicher) Laständerungen vorgenommen, die sich in folgenden Schritten vollzog:
1. Der gesamte Datensatz der Netto-Erzeugerwerte wurde auf Leistungssprünge ≥50 MW innerhalb einer halben Stunde, also von einem Wert zum Nächsten, und auf Leistungssprünge ≥80 MW innerhalb einer ganzen Stunde hin untersucht und gegebenenfalls gekennzeichnet.
2. Vergleich der markierten Leistungsdaten mit den vom Lastverteiler-Personal per Hand in den sog. Lastverteiler-Ablesebogen eingetragenen 1-Stunden-Werten und Korrektur der Daten anhand der extrapolierten 1-Stunden-Werte, sofern dies erforderlich war.
Zusammenfassung der Kapitel
1 EINLEITUNG: Darstellung der Energieversorgungssituation in Bremen und Erläuterung der Komplexität sowie der ökonomischen Notwendigkeit einer präzisen Lastprognose für die Kraftwerkseinsatzplanung.
2 ANALYSE: Detaillierte Untersuchung des Datenmaterials mittels SPSS, inklusive der Datenaufbereitung, Bereinigung von Inkonsistenzen und der Analyse von Zeitreihenmerkmalen wie Stationarität und Zusammenhängen zwischen Last und Umweltfaktoren.
3 PROGNOSEVERFAHREN/-MODELLE: Vorstellung und Anwendung verschiedener univariater, multivariater und heuristischer Verfahren zur Lastprognose sowie Definition der Kriterien zur Messung der Prognosequalität.
4 ZUSAMMENFASSUNG: Zusammenfassende Betrachtung der Ergebnisse und Ausblick auf die praktische Umsetzbarkeit eines automatisierten Prognosesystems unter Berücksichtigung von Kosten-Nutzen-Aspekten.
Schlüsselwörter
Lastprognose, Tageslastganglinie, elektrische Energie, Zeitreihenanalyse, Statistik, SPSS, Lastverteilung, Prognosequalität, Korrelationsanalyse, Regressionsanalyse, exponentielle Glättung, Systemdynamik, Energiebedarf, Kraftwerkseinsatzplanung, Stadtwerke Bremen.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundlegend?
Die Arbeit befasst sich mit der Entwicklung und Untersuchung eines automatisierten Systems zur Vorhersage der elektrischen Lastganglinie des 50Hz-Netzes der Stadtwerke Bremen AG.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der statistischen Datenanalyse des Energieverbrauchs, der Untersuchung kausaler Zusammenhänge mit externen Faktoren (wie Wetter) und dem Testen unterschiedlicher Prognosemodelle.
Was ist das primäre Ziel der Untersuchung?
Das primäre Ziel ist es, zu ermitteln, ob und mit welchen Mitteln eine automatisierte Lastprognose erstellt werden kann, die qualitativ mit den manuellen Vorhersagen des Lastverteiler-Personals mithalten kann.
Welche wissenschaftlichen Methoden werden angewendet?
Es kommen Verfahren der Statistik und der Zeitreihenanalyse zum Einsatz, darunter deskriptive Datenanalysen, Spektralanalysen, Korrelationsrechnungen (Kreuzkorrelation) sowie verschiedene Regressionsmodelle und Glättungsverfahren.
Was wird im Hauptteil der Arbeit behandelt?
Im Hauptteil werden zunächst das Datenmaterial aufbereitet und analysiert, danach verschiedene Prognoseverfahren (naiv, gleitender Durchschnitt, exponentielle Glättung, multiple Regression) implementiert und deren Fehlerkenngrößen bewertet.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Lastprognose, Zeitreihenanalyse, Prognosequalität, Regressionsanalyse, exponentielle Glättung und Kraftwerkseinsatzplanung.
Warum ist die Datenkorrektur laut Kapitel 2.3.2 so wichtig?
Da technische Ausfälle oder Wartungsarbeiten zu fehlerhaften Daten führen, ist eine Nachbearbeitung notwendig, da sonst die gesamten Analyseergebnisse durch inkonsistente Werte verfälscht würden.
Welchen Einfluss hat die Außentemperatur auf die Prognose?
Die Analyse zeigt einen signifikanten kausalen Zusammenhang zwischen Außentemperatur und Leistungsbedarf, wobei die Wirkung der Temperaturänderung auf die Last mit einer zeitlichen Verzögerung (Time-Lag) von etwa 10 bis 10,5 Stunden auftritt.
Wird die naive Prognose als ausreichend angesehen?
Nein, die naive Prognose dient primär als Basiswert für Vergleichszwecke; für den täglichen Einsatz bei einem EVU ist sie aufgrund ihrer Anfälligkeit für Ausreißer und fehlender Kausalbeachtung als zu ungenau eingestuft.
- Quote paper
- Manfred Damsch (Author), 1997, Erstellung eines Prognosesystems für die elektrische Lastganglinie des 50Hz-Netzes der Stadtwerke Bremen AG, Munich, GRIN Verlag, https://www.grin.com/document/40479
