Generating synthetic electricity load time series at district scale using probabilistic forecasts. - In: Energies, ISSN 1996-1073, Bd. 17 (2024), 7, 1634, S. 1-22
Thanks to various European directives, individuals are empowered to share and trade electricity within Renewable Energy Communities, enhancing the operational efficiency of local energy systems. The digital transformation of the energy market enables the integration of decentralized energy resources using cloud computing, the Internet of Things, and artificial intelligence. In order to assess the feasibility of new business models based on data-driven solutions, various electricity consumption time series are necessary at this level of aggregation. Since these are currently not yet available in sufficient quality and quantity, and due to data privacy reasons, synthetic time series are essential in the strategic planning of smart grid energy systems. By enabling the simulation of diverse scenarios, they facilitate the integration of new technologies and the development of effective demand response strategies. Moreover, they provide valuable data for assessing novel load forecasting methodologies that are essential to manage energy efficiently and to ensure grid stability. Therefore, this research proposes a methodology to synthesize electricity consumption time series by applying the Box-Jenkins method, an intelligent sampling technique for data augmentation and a probabilistic forecast model. This novel approach emulates the stochastic nature of electricity consumption time series and synthesizes realistic ones of Renewable Energy Communities concerning seasonal as well as short-term variations and stochasticity. Comparing autocorrelations, distributions of values, and principle components of daily sequences between real and synthetic time series, the results exhibit nearly identical characteristics to the original data and, thus, are usable in designing and studying efficient smart grid systems.
https://doi.org/10.3390/en17071634
Machine learning based model fitting concept for energy system components in energy management. - In: Proceedings 33. Workshop Computational Intelligence, (2023), S. 53-59
https://doi.org/10.22032/dbt.59184
Physics-guided machine learning techniques for improving temperature calculations of high-voltage transmission lines. - In: Die Energiewende beschleunigen, (2023), S. 353-360
The calculation of the temperature of high-voltage transmission lines is usually done by the commercially used standard models, the CIGRE Standard No. 601 and the IEEE Standard No. 738. These turn out to be prone to errors in application. Based on data analysis, new models based on machine learning techniques and their combination with physics-based models, called physics-guided machine learning techniques, were developed and compared with the results of the established physical models and measurement results. The improved models achieve a reduction of the mean absolute estimation error as well as a significant reduction of the values that deviate more than 5 K from the measured conductor temperature. Also, the mean underestimation of the conductor temperature was changed into an applicationtechnically unproblematic overestimation by the transition from the best standard to the best data-scientific model. The optimization of the models could be achieved by eliminating the incorrect determination of the physical parameters, a compensation of the conservative estimation of the physical effects as well as the consideration of the neglected thermal components of the heat balance. The investigations are based on measured data of the conductor temperature and electrical quantities from the grid area of 50Hertz Transmission GmbH.
Deep Neural Networks for short-term multivariate solar power predictions from various meteorological forecast data. - In: PESS + PELSS 2022 - Power and Energy Student Summit, (2023), S. 118-123
Renewable energies, such as wind and photovoltaic, are subject to natural fluctuations. However, electrical energy is grid-bound and, unlike other end-use energies, cannot be stored well. Therefore the large expansion of renewables calls for a more dynamic energy management to ensure grid stability and better integration of renewables. The basis for this are reliable and precise power predictions. Recent developments in machine learning give new opportunities to develop more accurate forecasts. This work therefore compares different artificial neural network architectures for short-term power prediction of photovoltaic plants based on various meteorological data. Overall this includes, a Multilayer Perceptron (MLP) model, a Long-Short-Term Memory (LSTM) model and two different architectures combining a Convolutional Neural Network and an LSTM model (CNN-LSTM). The work shows a significant advantage of the Recurrent Neural Networks (RNN) over simpler Neural Networks which do not use sequential time series data. Furthermore this study presents with the multi-head CNN-LSTM an alternative to the commonly used multi-channel CNN-LSTM model. Overall this paper shows that the more complex artificial neural network architectures offer greater accuracy and therefore are better for photovoltaic power predictions.
Datenanalysemethoden zur Erhöhung der Erklärbarkeit und Optimierung von Machine Learning Modellen. - In: RET.Con 2023, (2023), S. 118-137
Zur Verbesserung von physikalischen Modellen werden in kommerziellen Anwendungen durch die stetige Zunahme an vorhandenen Daten vermehrt Machine Learning Modelle genutzt. Für die Güte der Modelle ist die Identifikation der signifikanten Eingangsvariablen entscheidend, da die Modelle nur so gut sein können, wie die repräsentative Qualität der bereitgestellten Daten. Neben der Optimierung der Machine Learning Modelle wird durch die Datenanalysemethoden die Erklärbarkeit durch die Reduktion der Modellgröße erhöht sowie der Rechenaufwand verringert. In der Arbeit werden verschiedene Filter-Methoden als Untergruppe der Datenanalyseverfahren zur Merkmalsauswahl miteinander verglichen. Anhand synthetischer Daten werden die Fähigkeiten und Besonderheiten der Methoden herausgestellt. Diese Ergebnisse werden anschließend mittels Realdaten aus der Energietechnik verifiziert, die Stärken der Datenanalyse als Vorverarbeitungsschritt aufgezeigt und die Effektivität der Methoden miteinander verglichen. Die Realdaten aus dem Bereich der Energietechnik zeigen, dass die in der Literatur favorisierten, informationstheoretischen Maße Schwächen aufweisen. Vor allem die Redundanzbewertung stellt sich als fehleranfällig heraus. Gerade bei einfachen Abhängigkeiten der Kandidaten- von der Zielvariablen weisen partielle Korrelationsmaße bei komplexen Redundanzen Vorteile auf.
Weißes Rauschen basierte Verlustfunktion zur verbesserten Zeitreihenprognose mit künstlichen neuronalen Netzen. - In: Proceedings 32. Workshop Computational Intelligence, (2022), S. 111-118
Learning physically meaningful representations of energy systems with variational autoencoders. - In: 2022 27th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), (2022), insges. 6 S.
Given the growing number of volatile energy producers and consumers and the limitations of traditional static load prediction models, we have analyzed the ability of neural networks to predict the loads of an electrical transformer and to understand the physical relationships in the electric grid. To do this, we use a variational autoencoder to learn the load behavior of a neighborhood with three houses. Since a variational autoencoder learns a latent representation, we analyzed the possibility of learning physical relationships of the electric grid. By adapting the prediction model to learn a physical variable, namely phase shift, we show that a variational autoencoder can learn physical relations. Our results show a significant improvement in terms of the correlation of the latent and physical variables by integrating prior knowledge in the form of the corresponding power values as the training objective.
https://doi.org/10.1109/ETFA52439.2022.9921550
Multiagent-system based smart charging algorithm for a time-variant set of electric vehicles. - In: 5th E-Mobility Power System Integration Symposium (EMOB 2021), (2022), S. 100-104
The electrification of the mobility sector is of major importance on the way to a carbon-free society. However, delivering the charging power for the increasing number of electric vehicles may create considerable strain for the supply grid. On the other hand, the long parking hours of an average vehicle facilitate the use of smart charging algorithms, which in the future might even provide an operating reserve for the electrical grid. Therefore, a well thought-out approach to private and public charging stations will assure the success of the coupling between the sectors of electricity and mobility. We present a multiagent system, which allocates balanced charging power to satisfy simulated charging requests from a set of charging stations sharing one grid connection point with limited power input. The multiagent system with a time-discretisation of one minute is based on the python osbrain module. The merit function includes the target of meeting all charging demands in the given time and the goal of distributing the power consumption as uniformly over time as possible. A variable set of parameters allows to probe the range between focussing on fulfilment of charging requests and supplying maximum flexibility to the local grid. Additionally, the performance of the multiagent system is discussed in the context of scalability and efficiency of the algorithm.
Hybrid-approach for unit commitment simulation combining a fundamental model with a neural network. - In: 11th Solar & Storage Power System Integration Workshop (SIW 2021), (2021), insges. 7 S.
Due to the low storage capacities of the electrical energy supply system, feed-in and feed-out must be balanced at all times. In liberalized energy markets, the decision which powerplants are used to cover the load is not made by a single authority but in a decentralized way. The resulting unit commitment (UC) directly relates to the CO2 emissions, electricity costs as well as the amount and type of primary energies consumed. Consequently, the UC is a vital component to understand and optimize the interdependencies in an energy supply system. To model the UC most realistically we developed a hybrid model consisting of a merit order based fundamental model (FM) followed by an artificial neural network (ANN). The FM finds the cost-optimal UC under the given circumstances which then serves as input for the ANN which models the deviation between cost-optimal and real-world UC based on historic data. To increase model accuracy an input variable selection and a hyperparameter optimization are conducted. Finally, a case study for the German market region is conducted and the hybrid model is compared to standalone FM and ANN models. The results suggest that the hybrid model is superior in modeling the aggregated UC decision in a real-world energy supply system.
https://doi.org/10.1049/icp.2021.2498
Genetische Algorithmen zur Hyperparameteroptimierung künstlicher neuronaler Netze für die Energiezeitreihenprognose. - In: Proceedings 31. Workshop Computational Intelligence, (2021), S. 263-284
Physik-geführte NARXnets (PGNARXnets) zur Zeitreihenvorhersage. - In: Proceedings 31. Workshop Computational Intelligence, (2021), S. 235-261
Optimization of a parametric fundamental model for unit commitment modeling. - In: Von Komponenten bis zum Gesamtsystem für die Energiewende, (2021), S. 525-530
Optimierung eines parametrischen Fundamentalmodells zur Kraftwerkseinsatzplanung. - In: RET.Con 2021, (2021), S. 162-170
Die Strompreisprognose stellt eine wichtige sehr Eingangsgröße für die Optimierung der eigenen Position am Strommarkt dar. Mit ihrer Hilfe lassen sich Handelserlöse vergrößern und Risiken minimieren. Für die Prognose kommen dabei verschiedene Verfahren zum Einsatz. Eine Modellierungsmethode sind die sogenannten Fundamentalmodelle (FM). In der vorliegenden Arbeit wird ein neuer Ansatz vorgeschlagen und untersucht, der einen Beitrag zur Verbesserung der Prognosegüte von datensparsamen FM leistet. Diese Verbesserung betrifft insbesondere die Güte des zu prognostizierenden Kraftwerkseinsatzes, welcher eine signifikante Zwischengröße bei der Strompreisprognose mit FM darstellt. Die Arbeit ist folgendermaßen aufgebaut: Abschnitt 1 liefert eine kurze Einführung und Übersicht zum Thema der Strompreisprognose. Der Abschnitt 2 erläutert das Funktionsprinzip eines FM, bevor im Abschnitt 3 das weiterentwickelte Modell beschrieben wird. Im Abschnitt 4 werden die Ergebnisse einer exemplarischen Untersuchung vorgestellt und in Abschnitt 5 evaluiert.
Improvement of the prediction quality of electrical load profiles with artificial neural networks. - In: Machine Learning for Cyber Physical Systems, (2021), S. 13-21
Against the backdrop of the economically and ecologically optimal management of electrical energy systems, accurate predictions of consumption load profiles play an important role. On this basis, it is possible to plan and implement the use of controllable energy generation and storage systems as well as energy procurement with the required lead-time, taking into account the technical and contractual boundary conditions.The recorded electrical load profiles will increase considerably in the course of the digitization of the energy industry. In order to make the most accurate predictions possible, it is necessary to develop and investigate models that take account of the growing quantity structure and, due to the significantly higher number of observations, improve the forecasting quality as far as possible.Artificial neural networks (ANN) are increasingly being used to solve non-linear problems for a growing amount of data that is affected by human and other unpredictable influences. Consequently, the model approach of an ANN is chosen for predicting load profiles. Aim of the thesis is the simulative investigation and the evaluation of the quality and optimality of a prediction model based on an ANN for electrical load profiles.
Improvement of grid loss forecast for energy transmission grids :
Verbesserung der Netzverlustprognose für Energieübertragungsnetze. - In: Automatisierungstechnik, ISSN 2196-677X, Bd. 68 (2020), 9, S. 738-749
Bei der Energieübertragung entstehen Netzverluste in den Leitungen und Betriebsmitteln des elektrischen Energiesystems. Die Höhe der Netzverluste ist sowohl von der Netzlast als auch von zahlreichen weiteren Einflussgrößen abhängig. Einen besonderen Einfluss hat dabei die fluktuierende und größtenteils verbrauchsferne Erzeugung durch erneuerbare Energien. Die Übertragungsnetzbetreiber müssen die elektrische Energie zum Ausgleich der Netzverluste im Voraus beschaffen. Um die benötigte Ausgleichsenergie möglichst kostenminimal einzukaufen, ist eine genaue Prognose der Netzverluste notwendig. Im Rahmen des vorliegenden Beitrags wird ein Verfahren vorgestellt, das für die Prognose der Netzverluste im Übertragungsnetz der 50Hertz Transmission GmbH zum Einsatz kommt. Als Modellansatz der Prognosemethode werden Künstliche Neuronale Netze verwendet. Das als Ergebnis der Arbeiten entwickelte Modell für die Netzverlustprognose steigert die Prognosegüte im Vergleich zum bisherigen Modell um sieben Prozent und befindet sich bei 50Hertz seit Juni 2019 im operativen Einsatz.
https://doi.org/10.1515/auto-2020-0076
Analyse, Identifikation und Prognose preisbeeinflusster elektrischer Lastzeitreihen. - Ilmenau : Universitätsbibliothek, 2019. - 1 Online-Ressource (XIV, 162 Blätter)
Technische Universität Ilmenau, Dissertation 2019
Durch die Beeinflussung der Lastzeitreihe mittels Anreiz- bzw. Preiszeitreihen (Demand Side Management) können zusätzliche Flexibilitätspotenziale für den Ausgleich von Erzeugung und Verbrauch im elektrischen Energiesystem erschlossen werden. Allerdings werden dadurch die bisher unbeeinflussten Verbrauchsmuster verändert. Damit einhergehend ist eine steigende Unsicherheit bei der Verbrauchsprognose zu beobachten, was die Untersuchungen der vorliegenden Arbeit auch belegen. Für eine sichere Versorgung und Planbarkeit muss zukünftig auch derart beeinflusstes Verbrauchsverhalten mit höchster Qualität prognostizierbar sein. Die vorliegende Dissertation leistet einen Beitrag zur Analyse und Vorhersage von Lastzeitreihen unter Berücksichtigung preisbasierter Verbrauchsbeeinflussung. Ziel war die Entwicklung eines Gesamtkonzepts für die Analyse, den Entwurf und die Vorhersage von beeinflusstem Verbrauchsverhalten. Die entwickelte neuartige Prognosemethode weist gegenüber etablierten Methoden der Lastprognose neben einer erheblich verbesserten Vorhersagequalität einen weiteren signifikanten Vorteil auf. Mit der Prognosemethode ist es auf Grundlage historischer Daten beeinflusster Verbraucher oder Verbrauchergruppen möglich, neben der Prognose von beeinflusstem Verbrauchsverhalten auch auf das unbeeinflusste Verbrauchsverhalten zu schließen und dieses vorherzusagen. Die Prognose und die damit vollzogene Dekomposition der beeinflussten Verbrauchskurve in den beeinflussten und unbeeinflussten Anteil ist der Ausgangspunkt für die Planung und Preisbildung im Rahmen von Demand Response. Denn nur auf der Grundlage des zu erwartenden Verbrauchs ohne den Preiseinfluss kann abgeschätzt werden, zu welchem Zeitpunkt und mit welchem Ausmaß die Verbraucher mit Hilfe eines zu setzenden Preises zu beeinflussen sind. Die Entwicklung der neuartigen Prognosemethode stützt sich auf einen umfangreich recherchierten und aufbereiteten Stand des Wissens, der systemtechnisch aufgearbeiteten Problemstellung beim Zusammenspiel von Planung, Preisbildung, Verbrauchern und der Prognose sowie der Analyse der Charakteristik von preisbeeinflusstem Verbrauchsverhalten.
https://nbn-resolving.org/urn:nbn:de:gbv:ilm1-2019000719
Dient die 10-Punkte-Agenda der Bundesregierung einer erfolgreichen Energiewende?. - In: Energiewirtschaftliche Tagesfragen, ISSN 0013-743X, Bd. 67 (2017), 3, S. 17-22
Forecast of price elastic load behavior :
Prognose für preisbeeinflusstes Verbrauchsverhalten. - In: Automatisierungstechnik, ISSN 2196-677X, Bd. 65 (2017), 3, S. 179-188
https://doi.org/10.1515/auto-2016-0125