Archives for September 2018

5. September 2018 - Kommentare deaktiviert für Zwischenstand unserer Projektgruppe Part 3/3

Zwischenstand unserer Projektgruppe Part 3/3

Dieser Beitrag stellt den Zwischenstand des „Predictive Teams“ und somit den letzten Part dieser Reihe dar. Dieses Team ist dafür zuständig, Prognosen auf Basis von historischen Haushalts- und Umgebungsdaten zu erstellen, um somit eine verlässliche Grundlage für die Einkaufs- und Verkaufsmenge des Marktmodells zu bieten.

Die Prognosen werden grundlegend für zwei unterschiedliche Szenarien erstellt. Zum einen für das Verbrauchsmodell, welches vorhersagt, wie viel Energie ein Haushalt aufgrund seiner üblichen Verhaltensmuster in nächster Zeit verbrauchen wird, und zum anderen für das Produktionsmodell, bei dem es darum geht wie viel Energie ein Haushalt aufgrund seiner darauf ausgelegten Ausstattung, wie beispielsweise einer Photovoltaikanlage, in der Lage ist zu produzieren.

Das Verbrauchsmodell war zunächst auf univariate Zeitreihenanalysen ausgelegt. Das bedeutet, dass für die Vorhersage des zukünftigen Stromverbrauchs nur der historische Stromverbrauch herangezogen wird. Es werden also keinerlei externe Daten miteinbezogen. Der Einsatz von Verfahren wie Double-Seasonal Holt-Winters oder Random Forest lieferte zwar bereits gute und nutzbare Ergebnisse, allerdings besteht die Möglichkeit, dass durch den Einsatz von zusätzlichen Datenquellen in Verbindung mit einem multivariaten Verfahren ein Modell mit einer höheren Prognosegüte erstellt werden kann.

Dies wurde mit einem Deep Learning Verfahren, dem sogenannten Long short-term memory Verfahren, kurz LSTM, in Verbindung mit externen Daten (z.B. Wetterdaten) umgesetzt.

Das Produktionsmodell arbeitet mit einer individuell zusammengestellten  Trainingsmenge aus historischen Produktionsdaten sowie unterschiedlichen Wetter- und Individualfaktoren, welche eine hohe Korrelation zur haushaltsbezogenen Stromproduktion aufweisen. Als Resultat verschiedener Evaluationsiterationen wird als zurzeit bestes Verfahren der Random-Forest-Ansatz verwendet.

Ein noch zu lösendes Problem ist der „Kaltstart“ der Prognosemodelle. Da die Erstellung der Modelle auf haushaltsindividuellen historischen Daten basiert, ist es dementsprechend nicht möglich Vorhersagen zu erstellen, wenn zu Beginn noch keine historischen Daten des Haushaltes hinterlegt sind.

Dafür kommt für das Verbrauchsmodell ein sogenannter Load Profiler zum Einsatz. Dieser erstellt für den entsprechenden Haushalt semi-individuelle Lastprofile. Je nach Struktur des Haushalts werden daran angepasste Standardlastprofile verwendet. Das bedeutet, dass ein Haushalt mit zwei berufstätigen Erwachsenen und zwei Kindern ein anderes Lastprofil als Kaltstart erhält als eine Wohngemeinschaft aus drei Studenten.

Für den Kaltstart des Produktionsmodells ist ebenfalls ein zuverlässiges Prognoseverfahren notwendig. Im Gegensatz zum Verbrauchsmodell existieren allerdings keinerlei Load-Profiler, welche die voraussichtliche Stromproduktion eines privaten Haushaltes - durch eine Photovoltaik-Anlage - in ausreichend granularer Form wiedergeben. Aus diesem Grund wird der Kaltstart Im Rahmen des Produktionsmodells durch ein Standardlastprofil gelöst, welches ebenfalls auf einem Machine-Learning-Ansatz basiert. Dieses Lastprofil wird zurzeit durch ein Verfahren gebildet, welches auch für das haushaltsbezogene Prognoseverfahren verwendet wird. Der wesentliche Unterschied besteht darin, dass die Prognosen des Kaltstart-Modells - im Gegensatz zum Verbrauchsmodell - auf Basis aggregierter und normalisierter Trainingsdaten vieler Haushalte erstellt werden. Die dabei verwendete Entscheidungsbaum-Architektur nutzt zudem gröbere Parameter-Einstellungen, welche die dementsprechenden Output-Werte zwar optimal, allerdings nicht zu individuell werden lässt. Das dadurch entstandene Modell liefert dann ein Standardlastprofil, welches die in der jeweiligen Region üblichen Produktionswerte bedingt durch unterschiedliche Wetterfaktoren zuvor beobachteter Haushalte wiederspiegelt. Es lässt sich somit auf eine Vielzahl von unterschiedlichen Haushalten anwenden und erwies sich somit für den Kaltstart des Produktionsmodells als ein stabiles Verfahren mit moderater Startprognosequalität. Zurzeit werden sowohl für das haushaltsindividuelle Prognosemodell, wie auch für das Kaltstart-Modell verschiedene Verfahren hinsichtlich ihrer Prognosegüte evaluiert. Zu diesen Verfahren zählen Random Forest, Kalman-Filtering sowie Neuronale Netze.

Sobald das tatsächliche Prognosemodell im Laufe der Zeit genug haushaltindividuelle Daten gesammelt hat und dazu fähig ist, bessere Vorhersagen zu treffen, wird das Kaltstartmodell bzw. Lastprofil abgelöst.

 

 

Link zur Facebookseite

 

Published by: Kevin Lang in Allgemein