Studienabschlussarbeiten

Anzahl der Treffer: 18
Erstellt: Mon, 26 Sep 2022 23:01:55 +0200 in 0.0700 sec


Zinke, Stefan;
Zeitreihenprognose mit Graph Neural Networks. - Ilmenau. - 68 Seiten
Technische Universität Ilmenau, Masterarbeit 2022

Eine Prognose von Datensätzen kann sowohl im wirtschaftlichen als auch im technischen Sektor als Entscheidungshilfe für bestimmte Prozesse dienen. In dieser Masterarbeit geht es daher um die Zeitreihenprognose mit Graph Neural Networks (GNN), einer besonderen Form der Modelle des maschinellen Lernens von künstlichen neuronalen Netzen (KNN). Es wird untersucht, wie GNNs in die Prognoseerstellung mit KNN eingebunden werden können. Zu diesem Zweck wurden in der Programmiersprache Python verschiedene Skripte zur Datenanalyse und Prognoseerstellung geschrieben. Neben den Grundlagen von KNN, den mathematischen Hintergründen und der Input Vari-able Selection (IVS) zur Einführung in das Thema beschäftigt sich die vorliegende Thesis im Schwerpunkt mit GNNs. Dazu werden verschiedene Formen dieser in Hinblick auf deren unterschiedliche Funktionsweise vorgestellt. Unter Verwendung der GNNs wurde ein Modell konzipiert, das Prognosen für ausgewählte Daten erstellt. Die Daten wurden von einem Übertragungsnetzbetreiber zur Verfügung gestellt und beinhalten Zeitreihen des Jahres 2017 für Verluste, Einspeisungen und Lasten. Eine präzise Prognose der Daten kann für einen Übertragungsnetzbetreiber die Planung in Hinsicht auf die Systemführung erleichtern und außerdem wirtschaftliche Vorteile in Form von Verlustminimierungen gewähren. GNNs können hierbei eine wesentliche Rolle spielen und die Weiterentwicklungen im Energiesektor vereinfachen und voranbringen. Auch wenn in dieser Arbeit nur erste Versuche zur Prognoseerstellung unter Zuhilfenahme von GNNs mithilfe eines Datensatzes stattfanden, konnte generell ein positiver Einfluss des Verfahrens in Bezug auf entsprechende Vorhersageerstellungen numerisch nachgewiesen werden. Dies verspricht das Potenzial zu weiteren Verbesserungen von Prognosen durch GNNs in anderen Fachbereichen und auch bei der Arbeit mit anderen Datenformen.



Chehrazi, Mohammad;
Implementierung stochastischer Signalmodelle in Python. - Ilmenau. - 52 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2022

In dieser Bachelorarbeit wurden anhand von historischen Daten und unter Verwendung von mathematischen Modellen mehrere Prognosen mit unterschiedlichen Zeithorizonten erstellt. Ein Modell kann mit solchen Eigenschaften verwendet werden, um nützliche und aussagekräftige Informationen mit akzeptablem Fehler zu vorhersagen. Die Modellierung wurde in einem Python-Skript erstellt. Ein Autoregressives integriertes gleitendes Durchschnittsmodell (ARIMA Modell) wurde für die Modellierung verwendet. Für die korrekte Modellierung müssen zunächst Zeitreihenkomponenten wie Trend-, Saisonal- und Residualkomponenten identifiziert werden. Es wurden verschiedene Modellierungsmethoden, wie die Wold-Dekomposition verwendet, um die Methode mit dem geringsten Modellfehlern zu finden. Es wurde versucht, alle verfügbaren Daten für die Modellierung zu verwenden. Die Modellierung wurde basierend auf der Box- und Jenkins-Methode durchgeführt. Zur Bewertung des Modells wurden die Modellwerte mit den tatsächlichen Daten verglichen. Das Ziel dieser Modellierung bestand darin, zukünftige Daten mit akzeptablen Fehlern vorherzusagen. Diese Prognose kann in verschiedenen Bereichen wie dem Erzeugungsverhalten von Kraftwerken in der Zukunft verwendet werden. Mit seiner Hilfe lassen sich Angebot und Nachfrage im Energiemarkt für die Zukunft planen.



Dirbas, Mohammad;
Messfehlertolerante Klassifikation von Betriebsstörungen auf Basis von PMU-Daten. - Ilmenau. - 55 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2022

Weitbereichsmesssysteme (WAMS), die auf synchronisierten Phasenmessgeräten (PMUs) basieren, haben das Interesse der Forscher im Bereich der künstlichen Intelligenz geweckt. Es wurden viele Algorithmen implementiert, um diese Daten für die Entwicklung von lernbasierten Systemen zu nutzen, die Funktionen wie die Echtzeit-Überwachung von Energiesystemen, die Analyse von Schwingungszuständen und die Analyse von Betriebsstörungen übernehmen können. Der Zugang zu PMU-Felddaten ist aufgrund von Datenschutz- und Verfügbarkeitsbeschränkungen schwierig, was viele Forscher dazu veranlasst, synthetische Synchrophasordaten mit unterschiedlichen Fehlercharakteristiken zu erzeugen. In dieser Studie wird ein optimierungsbasiertes Fehlermodell erweitert und für die Synthese von Synchrophasordaten verwendet. Diese Methode ermöglicht die Erzeugung komplexerer Fehlersignale mit größerer Flexibilität. Fehlerhafte realistische PMU-Daten hingegen verhindern eine genaue Lokalisierung und Identifizierung von Netzstörungen in Stromnetzen. Daher wurde ein zweistufiger Klassifizierungsansatz auf der Basis rekurrenter neuronaler Netze implementiert, um dieses Problem zu adressieren. In der ersten Stufe werden die Daten mit Hilfe eines Denoising Autoencoders von weißem Rauschen gefiltert. Das gefilterte Signal wird dann in der zweiten Stufe in einen Klassifikator eingespeist. Es lassen sich vielversprechende Ergebnisse für ein generisches Stromübertragungssystem unter der Annahme mehrerer Testszenarien mit unterschiedlichen Rauschszenarien nachweisen.



Rekurrente Neuronale Netze zur Netzverlustprognose in Energieübertragungsnetzen. - Ilmenau. - 69 Seiten
Technische Universität Ilmenau, Masterarbeit 2021

Elektrische Netzverluste werden bei der Übertragung, Umspannung und Verteilung generiert. Sie implizieren somit die Diskrepanz zwischen der eingespeisten und der entnommenen elektrischen Energie im Stromnetz. An dieser Diskrepanz ist beispielsweise der ohmsche Leiterwiderstand und die Koronaverluste bei Hochspannungsfreileitungen verantwortlich. Daher sind die Netzverluste sowohl vom Belastungsstrom als auch von der anliegenden Spannung und der Übertragungslänge abhängig. Hinzu kommt, dass im Zuge der Energiewende immer mehr dezentrale und erneuerbare Erzeugungsanlagen in das Stromnetz eingebettet werden. Infolge der fluktuierenden Einspeisung, müssen die Netzbetreiber zunehmender auf die bidirektionalen Leistungsflüsse reagieren, um die Systemstabilität des elektrischen Netzes auch zukünftig zu gewährleisten. In diesem Kontext sind sowohl die Übertragungsnetzbetreiber als auch die Verteilnetzbetreiber auf eine präzise Prognose angewiesen. Dabei müssen sie als Verantwortliche, die elektrische Energie zur Kompensation der Netzverluste in marktorientierten, transparenten und diskriminierungsfreien Verfahren im Voraus beschaffen. Für die kurzfristigen Prognosen von elektrischen Netzverlusten wird im Rahmen der vorliegenden Masterarbeit, die Prognosetauglichkeit von rekurrenten neuronalen Netzen (RNN), insbesondere von Long-Short-Term-Memory (LSTM) und Gated-Recurrent-Unit (GRU) getestet. Hierbei verwenden die klassischen LSTMs und GRUs zur Generierung von Prognosen identische Input-Output-Sequenzlängen. Um den Einfluss unterschiedlicher Sequenzlängen auf die Güte der Prognose zu testen, wird zu diesem Zweck, ein RNN-Encoder-Decoder ergänzend in dieser Arbeit herangezogen.



Eller, Matthias;
Multi-agentenbasierte Steuerung und Betriebsführung für das gesteuerte Laden von E-Fahrzeugen. - Ilmenau. - 62 Seiten
Technische Universität Ilmenau, Diplomarbeit 2021

Ein immer größer werdender Anteil an erneuerbaren Energien an der Stromversorgung bedeutet eine steigende Abhängigkeit von volatiler Stromerzeugung. Dies stellt das Energiesystem vor neue Herausforderungen. Neben Speicherkraftwerken wird Verbrauchsflexibilisierung eine bedeutende Rolle in der zukünftigen Energieversorgung spielen. Elektrofahrzeuge können hier eine entscheidende Rolle einnehmen, da sie über einen verhältnismäßig großen Energiespeicher verfügen und gleichzeitig nur für kurze Zeiträume in Betrieb sind. Die Betriebspausen können dafür genutzt werden, erzeugungsorientierte Ladevorgänge durchzuführen. In dieser Arbeit wird ein Multiagentensystem zur Optimierung der Ladevorgänge von Elektrofahrzeugen vorgestellt. Das Optimierungsergebnis wird mit dem Ergebnis der linearen Programmierung als Referenz verglichen. Es wird an einem Beispiel gezeigt, dass beide Varianten identische Ergebnisse liefern. Der Optimierungsvorgang berücksichtigt lokale Erzeugung und Restriktionen am Netzanschluss. Zur Optimierung der Ladevorgänge erhalten die teilnehmenden Fahrzeugagenten einen Nutzenfaktor und es werden zwei verschiedene Berechnungsmethoden für diesen Faktor gegenübergestellt. Die Optimierung findet mit Hilfe von exemplarischen Lastgängen und Parametern von realen Fahrzeugen statt.



Schwinghammer, Moritz Christoph;
Analyse und Vergleich von Strategien zur multivariaten Mehrschritt-Zeitreihenprognose. - Ilmenau. - 74 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2021

Der weltweite Energiebedarf erhöht sich jährlich. Gleichzeitig steigt auch das Bewusstsein, dass viele Ressourcen endlich sind und, dass der Energiebedarf möglichst effizient und mit hohem Anteil regenerativer Energien gedeckt werden soll. Eine effizientere Energieverwertung erfordert, unter anderem, die Fähigkeit Energiebedarfe akkurat prognostizieren zu können. Dies wird durch die Nichtlinearität der, die regenerativen Energien beeinflussenden, Umweltfaktoren, erschwert. Eine steigende verfügbare Rechenleistung ermöglicht es Prognosen mittels künstlicher neuronaler Netze zu erstellen, welche gerade bei Mehrschritt-Prognosen eine höhere Genauigkeit versprechen. Es ist allerdings noch nicht bekannt, welche Mehrschritt-Prognosestrategie die Stärken künstlicher neuronaler Netze für welchen Vorhersagehorizont am besten utilisiert, welche Aspekte die Fähigkeiten einer Mehrschritt-Prognosestrategie für einen bestimmten Vorhersagehorizont beeinflussen und wie diese bei künftigen Prognosen in der Auswahl der Vorhersagestrategie berücksichtigt werden sollten. Im Rahmen dieser Arbeit werden die direkte, die rekursive, die direkt-rekursive und die mehrfach-Input/-Output (MIMO) Mehrschrittvorhersagestrategie vorgestellt und hinsichtlich der Vorhersagehorizonte eines Tages, einer Woche und eines Monats analysiert. Kriterium der Analyse ist die Prognosegüte als primärer Faktor, während Implementierbarkeit und erforderliche Trainings- und Prognosedauer als sekundäre Analysekriterien Beachtung finden. Die möglichen Kombinationen aus Vorhersagestrategie und Vorhersagehorizont werden jeweils bei univariater und bei multivariater Datenbasis untersucht. Ergebnis dieser Arbeit sind einerseits die Empfehlungen: Für den Vorhersagehorizont eines Tages die Verwendung der univariate MIMO Strategie, für den Vorhersagehorizont einer Woche die der multivariaten MIMO Strategie und für den Vorhersagehorizont eines Monats entweder die Nutzung der multivariaten MIMO Strategie oder die der univariaten rekursiven Vorhersagestrategie. Andererseits auch die Erkenntnisse was die technischen Einflussfaktoren und Grenzen der einzelnen Mehrschritt-Prognosestrategien bei Prognosen mittels künstlicher neuronaler Netze sind und ob/welche Lösungsstrategien existieren (können).



Maatoug, Walid;
Temporal Convolutional Networks zur multivariaten Zeitreihenprognose. - Ilmenau. - 71 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2020

Zuverlässige Prognosemethoden sind ein wertvolles Instrument in der Energiebranche, wo die Vorhersage der Nachfrage und Angebot von größter Bedeutung ist, um die Netzstabilität zu gewährleisten und die richtigen Planungsentscheidungen zu treffen. Externe Faktoren müssen berücksichtigt werden, um Prognosen von höchster Genauigkeit erstellen zu können. In dieser Arbeit werden Modelle, die auf der neuartigen Architektur Temporal Convolutional Networks (TCN) basieren, heuristisch für mehrere multivariate Prognoseszenarien konfiguriert. Die optimalen Konfigurationen werden an verschiedenen Szenarien untersucht, trainiert und mit der standardmäßigen Netzarchitektur Multi-Layer-Perceptron (MLP) und der fortgeschrittene Long-Short-Term-Memory (LSTM)-Architektur basierend auf Rechenzeit und Prognosegüte verglichen. Das TCN schneidet bei äußerst kurzen Vorhersagen unterdurchschnittlich ab, übertrifft jedoch bei weit in die Zukunft liegenden Vorhersagen stets das LSTM und benötigt dabei wesentlich weniger Rechenzeit. Andere Literaturquellen setzten mehrere Methoden ein, um die festgestellten Schwächen der TCNs zu überwinden, und konnten durch die Kopplung mit anderen Netzarchitekturen die Prognosegüte und Flexibilität verbessern und eine Leistung auf dem neuesten Stand der Technik erzielen. Damit bieten Temporal Convolutional Networks Prognosen von hoher Qualität mit Effizienzgewinnen und bereiten den Weg als Grundlage für komplexere hybride Architekturen. Sie bilden daher einen wertvollen Ausgangspunkt für weitere Forschungsarbeiten.



Denisov, Maksim;
Verfahren zur Identifikation der signifikanten Eingangsgrößen für den Entwurf neuronaler Netze. - Ilmenau. - 76 Seiten
Technische Universität Ilmenau, Masterarbeit 2020

Künstliche neuronale Netze sind geeignetes Werkzeug, um das Verhalten eines Systems (Outputs) in Abhängigkeit einer Vielzahl von Systemeingangsvariablen (Inputs) zu modellieren. Um die Modellgenauigkeit zu erhöhen ist es notwendig, das neuronale Netz auf die verwendeten Daten anzupassen. Bevor dies jedoch geschieht ist es ebenso wichtig, die verwendeten Daten selbst zu untersuchen und festzustellen, welche Inputs für das Modell wertvoll und welche weniger wertvoll oder sogar störend sind. Dieser Schritt nennt sich Input Variable Selection (IVS). In dieser Arbeit werden verschiedene IVS-Verfahren zur Identifizierung der wesentlichen Eingangsgrößen untersucht. Die Verfahren unterteilen sich in zwei Gruppen. Die erste Gruppe basiert auf statistischen Grundlagen z.B. Korrelation oder Transinformation. Die zweite Gruppe basiert auf maschinellen Lern-Modellen, die neben der Prognose die wesentlichen Eingangsgrößen identifizieren können. Hierzu zählen insb. Regressionsmodellen und die sog. baümebasierten Modellen. Alle IVS-Verfahren werden zunächst beschrieben und dann anhand ihrer Eigenschaften miteinander qualitativ verglichen. Darauf aufbauend werden die IVS-Verfahren anhand eines Versuchs mit synthetischen Zeitreihen quantitativ bewertet. Die künstlichen Zeitreihe enthalten statische, dynamische und Wenn-Dann-Abhängigkeiten zwischen Input und Output. Die zu untersuchten IVS-Verfahren wurden in Python implementiert Die grafische Darstellung der Beitrag jeder Variable zu dem Output wird für die Validierung der Ergebnisse verwendet. Nach den synthetischen Zeitreihen wurden die IVS-Verfahren auf Daten für den deutschen Strommarkt angewendet, um eine Empfehlung zur Auswahl der Inputs für Strommarktmodell zu machen.



Fischer, Tobias Merlin;
Entwicklung von Prognosemodellen für elektrische Lastgänge mittels künstlicher neuronaler Netze. - Ilmenau. - 97 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2020

In einer durch die Energiewende multipolaren Energieversorgung sind exakte Verbrauchsvorhersagen essenziell wichtig, um einen reibungslosen Ablauf im betrieblichen Umfeld zu gewährleisten. Gleichzeitig steigt der Bedarf nach exakten Prognosen von Energielastgängen seitens der Energiewirtschaft für die optimale Planung des Energieressourceneinsatzes. Die Digitalisierung spielt eine wesentliche Rolle dafür, die verschiedenen Verbrauchslastprofile messtechnisch zu erfassen und die aufgezeichneten Daten und ihre zugehörigen exogenen Einflussgrößen auswert- und nutzbar zu machen. Damit ergibt sich die Herausforderung, geeignete Modelle zu entwickeln, die in der Lage sind, die signifikant gestiegenen Datenmengen verarbeiten zu können und daraus für die gestiegene Anzahl an Lastprofilen mathematische Beschreibungen zu identifizieren. In dieser Arbeit wurden dafür drei Modelle auf Basis künstlicher neuronaler Netze entwickelt, konfiguriert und anhand der Aufgabe verglichen, mehrere Energieverbrauchsvorhersagen für ein namhaftes Industrieunternehmen in Deutschland zu generieren. Eingesetzt wurden ein Multi Layer Perceptron (MLP), ein Temporal Convolutional Network (TCN) und schließlich das Long Short Term Memory (LSTM). Die drei Modelle wurden sowohl nach ihrer Güte bewertet als auch ihr Konfigurationsaufwand beschrieben und ihre topologische Entwicklung während der Versuche erklärt. Dabei wurde festgestellt, dass die Modelle MLP und TCN jeweils ohne Einschränkung für die Prognose elektrischer Lastgänge verwendet werden können. Das LSTM ist auf Grund von Einschränkungen in seiner Struktur sowie Restriktionen der verwendeten Hardware bisher nicht geeignet diese Aufgabe zu erfüllen. Als das Modell mit der höchsten Güte, effektivsten Datenverarbeitung und geringsten Rechenzeit zeichnete sich das MLP aus. Für jedes der Modelle konnte durch die simulativen Untersuchungen Methoden und Heuristiken der Optimierung ermittelt werden, die es ermöglichen, den Konfigurationsaufwand in ähnlichen Problemstellungen deutlich zu reduzieren. Künstliche Neuronale Netze sind somit in der Lage einen großen Beitrag in der Forschung zum Energieeinsatz und der Energieeinsatzoptimierung zu leisten und Modelle zu liefern, die der wachsenden Komplexität der Energieversorgung und des Energieverbrauches Rechnung tragen unter Einbeziehung der durch die Digitalisierung gewachsenen Datenmenge.



Parameteroptimierungsverfahren für ein Fundamentalmodell des deutschen Strommarktes in Python. - Ilmenau. - 56 Seiten
Technische Universität Ilmenau, Masterarbeit 2020

Prognosen zu Marktsituationen an elektrischen Energiemärkten können vielseitig Eingesetzt werden. Ein Aspekt davon ist die Prognose des Kraftwerkseinsatzes, für die oft Fundamentalmodelle eingesetzt werden. Ein Fundamentalmodell bildet das Verhalten des Kraftwerksparks anhand von grundlegenden technischen Eigenschaften und Marktmechanismen ab. Anhand eines solchen Modells können dann Berechnungen für verschiedene Szenarien durchgeführt werden, mit denen bspw. die Rentabilität von Erzeugungsanlagen in verschiedene Marktsituationen bewertet werden können. Die Modellgüte hängt dabei stark von der Qualität der zu Grunde liegenden Eingangsdaten ab. In dieser Arbeit wird daher untersucht, ob die Modellgüte eines vereinfachten auf öffentlichen Daten beruhenden Fundamentalmodells durch eine Eingangsparameteroptimierung verbessert werden kann. Der Fundamentalansatz basiert dabei auf dem Merit-Oder-Prinzip. Dazu wurde zunächst der Stand der Technik erarbeitet, die notwendigen Daten erhoben und ein geeignetes Optimierungskonzept entwickelt. Dann wurde der sowohl ein Fundamentalmodell als auch der Optimierungsalgorithmus in Python implementiert. Für das Optimierungsverfahren wurde die RBFopt-Toolbox verwendet. Diese Toolbox stellt ein Verfahren zur differenzierungsfreien, ganzzahligen, nicht linearen, Blackbox-Optimierung zur Verfügung. Das Verfahren basiert auf der Interpolation eines Ersatzmodells aus einer wachsenden Anzahl von Radial-Basis-Funktionen (RBF). Als Zielfunktion wurde die Minimierung des Root-Mean-Squar-Error (RMSE) zwischen dem simulierten und realen Kraftwerkseinsatz gewählt. Mit Hilfe des Programms wurde an einem Trainingsdatensatz eine Reihe von Parametersets zur Verbesserung der Interpretation der Eingangsdaten generiert und anschließend an einem Validierungsdatensatz getestet. Die Ergebnisse der Validierung wurden auf Verbesserungen in der Modellgüte analysiert und bewertet.



Günther, Christian;
Untersuchung und Anwendung existierender Bewertungsgrößen und -konzepte zur Beurteilung des Energieverbrauchs und des Energiebezugsverhaltens von Gebäuden und Quartieren. - Ilmenau. - 72 Seiten
Technische Universität Ilmenau, Masterarbeit 2020

Die voranschreitende Energiewende verursacht umfassende Ausbau- und Umstrukturierungsprozesse auf dem Gebiet der elektrischen Energieversorgungssysteme. Es findet ein Wandel, von einer zentralen, wesentlich auf fossilen Quellen beruhenden Versorgungsstruktur, hin zu einer dezentraleren mit Fokus auf erneuerbare Energien statt. Damit die Gestaltung eines dezentralen Teils des Energiesystems den Zielen der Energiewende dient, muss diese an den Kernaspekten der Systemdienlichkeit, Umweltwirkung und Wirtschaftlichkeit ausgerichtet sein. Dazu bedarf es geeigneter Planungs- und Bewertungsmethoden. Ziel dieser Forschungsarbeit ist es bestehende Größen und Konzepte zu untersuchen, welche es ermöglichen das elektrische Energiebezugsverhalten eines Quartieres ganzheitlich zu bewerten. Zu diesem Zweck werden zunächst im Kontext verwendbare Größen und Konzepte bestimmt. Anschließend wird die elektrische Energieversorgungsstruktur eines Quartiers in einem zeitreihenbasierten Modell abgebildet und um unterschiedliche Versorgungsvarianten erweitert. Für jede Variante werden alle Bewertungsgrößen ermittelt. Die daraus gewonnene Ergebnismatrix dient zur Untersuchung der Anwendbarkeit, Relevanz der und Interdependenzen zwischen den Bewertungsgrößen. Abschließend wird ein Konzept zur ganzheitlichen Bewertung des Energiebezugsverhaltens eines lokalen elektrischen Energiesystems erläutert und am Beispiel des Quartiermodells erprobt.



Gustin, Fabian;
Kombinatorische Analyse ausgewählter Systemkomponenten zur Deckung des thermischen und elektrischen Energiebedarfs charakteristischer Quartiere. - Ilmenau. - 109 Seiten
Technische Universität Ilmenau, Masterarbeit 2019

Die Folgen des Klimawandels sind in der Gegenwart bereits zu erkennen. Es benötigt umfassende Maßnahmen und Zielstellungen, um einen Beitrag gegen die voranschreitende Erderwärmung zu leisten. Innerhalb des Gebäudebestandes in Deutschland existieren im Bereich des Wärmesektors große Potenziale die Energiebereitstellung mittels erneuerbarer Energiequellen zu realisieren. Der steigende Energieverbrauch und die daraus implizierten hohen CO2-Emissionen können durch innovative Anlagentechnologien stark reduziert werden. Als Bemessungsgrundlage einer Betrachtung der Energiebereitstellung und -versorgung dient in dieser Arbeit das Quartier. Im Rahmen dieser Forschungsarbeit werden anhand eines statischen Modells ausgewählte Systemkomponenten zur Deckung des thermischen und elektrischen Energiebedarfs in charakteristischen Gebäudebeständen untersucht. Die genannte Untersuchung basiert auf der Methodik der kombinatorischen Analyse. Das Grundgerüst dieser Methodik stellen die Anlagentechnologien sowie die betrachteten Gebäudetypen dar. Mittels spezifischer Einflussfaktoren sollen zielgerichtet Aussagen und Bewertungen über einzelne Systemkombinationen zur thermischen und elektrischen Energiebereitstellung abgeleitet werden. Eine simulativ generierte Datenbasis bildet die Grundlage dieser betrachteten Methodik. Um eine gesamtheitliche Übersicht zu erhalten, wird der Wirkbereich des Quartiers eingegrenzt und nachfolgend definiert. Zusätzlich werden quartierstypische Systemkomponenten zur Deckung des gesamten Energiebedarfs beschrieben. Ausgewählte Referenzquartiere dienen dabei der Veranschaulichung energetischer Interaktionen innerhalb des untersuchten Rahmens.



Wang, Tao;
Probabilistische Bewertung von Lastprognosen. - Ilmenau. - 73 Seiten
Technische Universität Ilmenau, Masterarbeit 2019

Die Lastprognose spielt eine wichtige Rolle für eine optimale Planung und Betriebsführung in den Bereichen Energie und Ressourcen. Neben der Genauigkeit der Prognose werden Aussagen über die Qualität immer wichtiger. Um die Lastprognose weiter zu bewerten, schlägt diese Arbeit eine probabilistische Lastprognosemethode vor, um bestehende Punktlastprognosen durch die Modellierung des bedingten prognostizierten Residuums zu nutzen. Zunächst wird die bedingte Verteilung des Residuums beschrieben, indem die Punktprognose als zusätzliches Eingabefeature verwendet wird. Anschließend führt das Verfahren probabilistische Lastprognosen unter Verwendung von historischen Lastdaten und verwandeten Kalenderfaktoren durch, um die Prognoseintervalle zu bestimmen. Der Vergleich der Ergebnisse der Bewertung aus verschiedenen Punktprognosen und quantilen Regressionsmodellen zeigt den Vorteil dieses Kombinationsverfahrens.



Schäfer, Kevin;
Entwurf einer Online-Anomalieerkennung im Niederspannungsnetz. - Ilmenau. - 128 Seiten
Technische Universität Ilmenau, Masterarbeit 2019

Die Bedeutung der IT-Sicherheit für elektrische Netze hat in den letzten Jahren zugenommen. So hat sich das Angriffspotenzial infolge der fortschreitenden Dezentralisierung durch die Integration von regelbaren erneuerbaren Energieerzeugungssystemen erhöht. Darüber hinaus wächst die IP-basierte IKT-Kommunikation aufgrund der Integration neuer Sensordaten und der Automatisierung von Umspannstationen. Dies hat zu neuen Angriffsvektoren für Hacker geführt, sodass erste Blackout-Szenarien aufgrund von IT-Angriffen stattfanden. Weiterhin führen wachsende dezentrale Versorgungsstrukturen zu einer höheren Systemdynamik und Komplexität im Verteilernetz. Die Überwachung beider Bereiche - Energie und IT-Netzwerk - ist daher im Rahmen der IT-Sicherheit unerlässlich. Daher ist es notwendig, Anomalien in Spannungssignalen erkennen zu können, um die Netzstabilität zu gewährleisten und die angeschlossenen Geräte zu schützen. In dieser Arbeit wird ein Ansatz zur Erkennung lokaler Spannungsanomalien im Niederspannungsnetz vorgestellt. Das Kommunikationsprotokoll IEC 61850-9-2LE Sampled Values wird als Schnittstelle zwischen der analogen Spannungsmessung und der ausgelegten Anomalieerkennung gewählt. Das entwickelte Identifikationsverfahren besteht im Wesentlichen aus zwei Analysestrukturen. Der erste Teil implementiert einen regelbasierten Klassifikator, der das empfangene Spannungssignal nach den Spannungsqualitätskriterien der DIN EN 50160 bewertet. Da der Algorithmus transiente Phänomene im Spannungssignal nicht erkennen kann, wurde als zweite Komponente zur Beobachtung des dynamischen Verhaltens eine Gradientenüberwachung integriert. Um den entworfenen Ansatz zu testen, wurde er in einer Echtzeit-Simulationsumgebung implementiert, in der ein definiertes Verteilnetz simulierte Spannungswerte liefert. Ziel der Anomalieerkennung ist es, Störungen durch IT-Angriffe in Spannungssignalen zu erkennen. In diesem Zusammenhang liegt der Fokus auf Netzrückwirkungen durch infizierte Versorgungsanlagen oder Verbrauchern. Zur Validierung des entworfenen Ansatzes werden in der Simulation drei Angriffsszenarien abgeleitet und modelliert, die auf möglichen Bedrohungsszenarien und/oder potenziellen Anomalien und Fehlern der Niederspannungsebene beruhen.



Lindner, Martin;
Entwicklung von Online-Algorithmen zur Analyse von PMU-Datenströmen bei sich verändernden Prozessbedingungen. - Ilmenau. - 107 Seiten
Technische Universität Ilmenau, Masterarbeit 2018

Die Umstrukturierung der Energieversorgungs- und Übertragungsnetze auf Grund einer erheblichen Zunahme des Anteils dezentraler Erzeuger und Verbraucher erfordert eine Anpassung der Netzüberwachung. Dazu werden Leitwarten eingesetzt, welche vermehrt auf den Einsatz zeitsynchroner Zeigermessgeräte zurückgreifen. Dies ermöglicht eine schnelle und genaue Analyse der Netzdaten auf mögliche Störungen. Deshalb befasst sich die vorliegende Arbeit kritisch mit den Möglichkeiten der Klassifikation von Störungen in Energienetzen. Hierfür sind umfangreiche Recherchen durchzuführen, um Möglichkeiten der klassischen Batch-Klassifikation mit inkrementellen Klassifikationsmethoden gegenüberzustellen. Anschließend an die theoretischen Betrachtungen, erfolgt die Evaluation anhand simulierter und realer Datensätze. Die Ergebnisse der Berechnungen zeigen, dass inkrementeller Klassifikatoren bei gleicher Güte wie Batch-Klassifikatoren schneller arbeiten und darüber hinaus adaptives Verhalten an neuen Arbeitspunkten ermöglichen. Somit ist es sinnvoll solche Verfahren für die Fehlererkennung in der Weitbereichsüberwachung von Energienetzen zukünftig einzusetzen.



Kotte, Benjamin;
Verfahren zur Klassifikation typischer Energieverbrauchslastgänge. - Ilmenau. - 142 Seiten
Technische Universität Ilmenau, Masterarbeit 2018

Die Digitalisierung ist bereits in vielen Bereichen der Wirtschaft und des alltäglichen Lebens etabliert. Auch in der Energiewirtschaft gewinnt die Digitalisierung an Bedeutung und stellt die Akteure vor neue Aufgaben. Bei Energieversorgungsunternehmen ist damit zu rechnen, dass aufgrund der Digitalisierung das tägliche Datenvolumen ansteigt. Für einen solchen Anstieg sind unter anderem die intelligenten Messsysteme verantwortlich, deren Einsatz ab 2017 gesetzlich vorgeschrieben ist. Diese werden die Anzahl messtechnisch erfasster Energieverbrauchslastgänge stark erhöhen. Eine mögliche Lösung für die Reduzierung des Datenvolums ist die Entwicklung eines Klassifikationsverfahrens, das ähnliche Lastgänge identifiziert und zu typischen Lastgangklassen zusammenfasst. Für die Entwicklung des Klassifikationsverfahrens kommen die Methoden der Mustererkennung zum Einsatz. Speziell finden dabei die hierarchische Clusteranalyse und der Gruppierungsprozess nach Ward Anwendung. In Bezug auf die Untersuchungen wird anhand der bereitgestellten Energieverbrauchslastgänge eine Clusteranalyse durchgeführt. Das Ergebnis der Clusteranalyse ist eine Einteilung der Energieverbrauchslastgänge in bestimmte Cluster. Zur Ermittlung, welche die optimale Clusteranzahl ist, wird das sogenannte Elbow-Kriterium eingesetzt. Ist die optimale Clusterzahl nach dem Elbow-Kriterium gefunden, erfolgt die Validierung. Zur Validierung der gefundenen Clusterzahl werden die Methoden der Zeitreihenanalyse angewendet.



Hagner, Jessica;
Vorhersage elektrischer Lastgangklassen. - Ilmenau. - 75 Seiten
Technische Universität Ilmenau, Masterarbeit 2018

Die erfassten elektrischen Lastgänge sind für die exakte Prognose der Verbrauchslastgänge von hoher Relevanz, zur ökonomisch und ökologisch optimalen Führung elektrischer Energiesysteme. Diese werden im Verlauf der Digitalisierung der Energiewende zunehmen, dadurch steht eine erhöhte Datenmenge zur Verfügung. Anhand ihrer Charakteristik werden Zeitreihen zu Zeitreihenklassen zusammengefasst werden, womit die höhere Datenanzahl strukturiert wird. Auf Grundlage von zwei gegebenen Zeitreihenklassen werden Modelle entwickelt und auf ihre Eignung zur Bewältigung des wachsenden Mengengerüstes an Daten untersucht. Als Prognoseverfahren kommt ein künstliches neuronales Netz (KNN) zum Einsatz. Anhand der untersuchten Energieverbrauchszeitreihen und derer als signifikant ermittelter Vergangenheitsinformationen erfolgt das Training des KNN. Im Folgenden wird dieses, aufgrund der angelernten Beziehungen, zur Prognose verwendet. In Hinblick auf die Untersuchungen wird für das KNN ein Grundmodell gewählt und anschließend darauf aufbauende Szenarien identifiziert. Dabei wird besondere Bedeutung auf die Integration der höheren Datenmenge mittels weiterer Zeitreihen gelegt. Im weiteren Fokus zur Bewertung der Vorhersagegüte steht eine Strukturänderung des KNN über die Erhöhung der Knotenanzahl in der verdeckten Schicht. Diese Untersuchungen erfolgen anhand vier gewählter Vorhersagehorizonte. Abschließend wird die Prognosegüte unter Verwendung ausgewählter Fehlermaße überprüft.



Oberhofer, Simon;
Identifikation von Anomalien bei der Energiesystemführung. - Ilmenau. - 116 Seiten
Technische Universität Ilmenau, Masterarbeit 2018

Der Einzug der Digitalisierung in der elektrischen Energieversorgung stellt die Branche vor zahlreiche Herausforderungen. Insbesondere steigen die Anforderungen an die IT-Sicherheit. Eine sichere, intelligente Betriebsführung ist nur bei einer gemeinsamen Interaktion von informationstechnischen Geräten und energietechnischen Betriebsmitteln gewährleistet. An dieser Koppelstelle bestehen Möglichkeiten der Manipulation durch Dritte, insbesondere durch Cyberangriffe. Die Anzahl neu installierter Erzeugungsanlagen und Teilnehmer ist besonders in den Niederspannungsnetzen (400 V) gestiegen. Dort sind gegenwärtig in großer Zahl Photovoltaikanlagen installiert. An dieser Stelle bestehen Möglichkeiten der Manipulation derartiger Anlagen. Die Wechselrichter von Photovoltaikanlagen werden durch eine Software gesteuert, die prinzipiell angreifbar ist. Negative Netzbeeinflussungen entstehen durch eine nicht ideale Arbeitsweise der Leistungselektronik und können mittels einer Softwaremanipulation erzeugt werden. In der vorliegenden Arbeit werden die durch einen Cyberangriff erzeugbaren Netzrückwirkungen von Photovoltaik-Wechselrichtern untersucht. Dabei wird der Schwerpunkt auf die Netzrückwirkungen Flicker und Oberschwingungen (Fehlerbilder) gelegt. Die Fehlerbilder werden anhand typischer Charakteristika für Photovoltaik-Wechselrichter modelliert und parametriert. Die Untersuchungen werden unter Verwendung verschiedener Netzszenarien durchgeführt. Ein CIGRÉ-Referenznetz für den Bereich Niederspannung dient als Parametrierungsgrundlage. Mittels unterschiedlicher Netzszenarien mit Lasten und Erzeugungsanlagen soll das Verhalten der Netzrückwirkungen untersucht werden. Es werden Szenarien einzelner fehlerhafter Erzeugungsanlagen und Szenarien mehrerer verschiedener fehlerhafter Erzeugungsanlagen an unterschiedlichen Netzknoten jeweils getrennt untersucht. Die Fehlererkennung erfolgt durch eine Beobachtung lokal am Transformator, da verteilte Messungen gegenwärtig in der Niederspannung nicht üblich sind. Für die Auswertung, den Vergleich und die Bewertung der simulierten Zeitreihen dienen statistische Kennwerte. Am Ende der Auswertungen werden Schlussfolgerung zur Fehlererkennung gezogen und die Konsequenzen eines Cyberangriffs in derzeitigen Niederspannungsnetzen entsprechend formuliert.