Entwicklung robuster Prognosen für ein Energiemanagementsystem anhand datenbasierter Modellierungsverfahren unter Berücksichtigung von Unsicherheiten

Universität Bremen

Francesca Jung

Francesca Jung hat an der Universität Bremen Technomathematik studiert und sich frühzeitig Aufgabenstellungen aus dem Bereich der Erneuerbaren Energien gesucht. Nachdem in der Masterarbeit die Modellierung eines Windparks im Fokus stand, hat sie sich in der Promotion mit der automatisierten Modellierung verschiedener Komponenten eines Energiemanagementsystems auseinandergesetzt. Auch nach der Promotion arbeitet sie kontinuierlich daran, die Optimierungsexpertise ihrer Arbeitsgruppe „Optimierung und optimale Steuerung“ am Zentrum für Technomathematik in Bremen in den Bereich der Erneuerbaren Energien zu transferieren.

Auf einen?

Expertise

  • Datenbasierte Modellierung (Maschinelles Lernen)
  • Leistungsprognose regenerativer Energieerzeuger
  • Kontinuierliche Optimierungsmethoden

 

Interessant für

  • jeden, der etwas modellieren, simulieren oder optimieren möchte.
  • Entwickler von Energiemanagementsystemen
  • Entwickler von Leistungsprognosen
  • Interessierte im Bereich des maschinellen Lernens
ColiN00B/Pixabay
Francesca Jung

Francesca Jung hat an der Universität Bremen Technomathematik studiert und sich frühzeitig Aufgabenstellungen aus dem Bereich der Erneuerbaren Energien gesucht. Nachdem in der Masterarbeit die Modellierung eines Windparks im Fokus stand, hat sie sich in der Promotion mit der automatisierten Modellierung verschiedener Komponenten eines Energiemanagementsystems auseinandergesetzt. Auch nach der Promotion arbeitet sie kontinuierlich daran, die Optimierungsexpertise ihrer Arbeitsgruppe „Optimierung und optimale Steuerung“ am Zentrum für Technomathematik in Bremen in den Bereich der Erneuerbaren Energien zu transferieren.

Auf einen?

Expertise

  • Datenbasierte Modellierung (Maschinelles Lernen)
  • Leistungsprognose regenerativer Energieerzeuger
  • Kontinuierliche Optimierungsmethoden

 

Interessant für

  • jeden, der etwas modellieren, simulieren oder optimieren möchte.
  • Entwickler von Energiemanagementsystemen
  • Entwickler von Leistungsprognosen
  • Interessierte im Bereich des maschinellen Lernens

Interview

Arthur Höring
Redakteur

Die Optimierung von Energiemanagementsystemen ist ein sehr nachhaltiger Gedanke. Wie kam es dazu, dass du deine informatischen Fähigkeiten in diese Richtung gelenkt hast?

Francesca Jung
schreibt…
Arthur Höring
Redakteur

Die Optimierung von Energiemanagementsystemen ist ein sehr nachhaltiger Gedanke. Wie kam es dazu, dass du deine informatischen Fähigkeiten in diese Richtung gelenkt hast?

Francesca Jung
Doktorandin

Aus persönlichem Interesse habe ich mich bereits frühzeitig im Laufe des Studiums für das Themengebiet Erneuerbare Energien begeistert. Meine Masterarbeit habe ich beim Fraunhofer IEE in Kassel über die Leistungsprognose eines Onshore-Windparks geschrieben. Als ich anschließend von dem Projekt SmartFarm erfahren habe, in dem ein Energiemanagementsystem für landwirtschaftliche Betriebe entwickelt werden soll, war das für mich der logische nächste Schritt. Meiner Meinung nach ist die Energiewende das dringlichste Problem in den kommenden Jahrzehnten und ich freue mich, wenn ich mit meinen Fähigkeiten einen kleinen Beitrag dazu leisten kann.

Arthur Höring
Redakteur

Dein Ziel war es, allgemeine und adaptive Prognoseverfahren zu entwickeln. Heißt das, deine Ergebnisse könnten über den Bereich der Landwirtschaft hinaus Anwendung finden?

Francesca Jung
Doktorandin

Ja, das hast du genau richtig verstanden. Damit das Modell dennoch auf eine konkrete Komponente spezialisiert ist, muss es anhand vorhandener Daten angelernt werden. Durch diesen Lernprozess passt sich das zunächst sehr allgemeine Modell eigenständig an die tatsächlich vorliegende Situation und die zu modellierende Komponente an. Das Modell ist darüber hinaus adaptiv, das heißt, es passt sich kontinuierlich an neue Daten an und kann somit auch auf Änderungen in den äußeren Bedingungen reagieren. Diese Methode kann nahezu beliebig eingesetzt werden und ist dabei in keiner Weise auf einen landwirtschaftlichen Betrieb beschränkt. Auch Anwendungen außerhalb eines Energiemanagementsystems sind möglich. Genau das macht diesen Ansatz so reizvoll.

Arthur Höring
Redakteur

Parameteridentifikationen, Modellgenerationen, Test- und Trainingsphasen. Entwickelt man bei all den Daten, die man eingibt und Simulationen, die durchlaufen werden, irgendwann elterliche Gefühle für seine eigenen Prognosemethoden?

Francesca Jung
Doktorandin

So weit würde ich nicht gehen. Aber es ist schon erheblich, wie viel Zeit ich mit diesen Prognosen verbracht habe. Es ist einfach spannend zu sehen, wie man die Modelle beeinflussen kann und wie diese sich dann weiterentwickeln. Insbesondere am Ende meiner Arbeit, als ich mich mit der automatisierten Modellerstellung auseinandergesetzt habe, bemerkte ich, wie schnell „die Kinder groß werden“. Ich habe alles soweit vorbereitet, dass das System nur noch mit Daten gefüttert werden muss und dann entwickeln sich die Modelle ganz von allein.
Der Vergleich zu den Kindern passt also: Man muss ihnen zu Beginn ihres Lebens doch noch ganz schön viel beibringen. Aber je älter die Kinder werden, desto mehr Fähigkeiten eignen sie sich selber an und bevor man sich versieht, sind die Kinder erwachsen und stehen auf eigenen Beinen. Das ist natürlich schön für die Kinder, man selbst muss dann aber erst mal lernen, loszulassen.

Schlagworte

Prognosen, Prognosemodelle, Simulation, Energiemanagementsysteme

Zusammenfassung

Das Ziel dieser Arbeit ist die Entwicklung robuster und hochautomatisierter Folgetagsprognosen für Erzeugungsanlagen und Speicher als Basis eines leicht übertragbaren Energiemanagementsystems für landwirtschaftliche Betriebe. Es werden rein datenbasierte Verfahren formuliert, bei denen sich die deterministische und probabilistische Prognose aus mathematischer Sicht lediglich durch die Zielfunktion im Optimierungsproblem unterscheiden. Es kann gezeigt werden, dass mit einer polynomiellen Ansatzfunktion sowohl deterministische als auch probabilistische Prognosen für eine PV-Anlage, Windenergieanlage und einen Batteriespeicher erstellt werden können. Aufgrund des Einsatzes effizienter Optimierungsverfahren ist sowohl das Modelltraining als auch das Modellupdate mit einer sehr geringen Rechenzeit verbunden. Um die erreichbare Genauigkeit der Prognosen zu ermitteln, werden ausführliche Analysen anhand Langzeitdaten durchgeführt, wobei deterministische Erzeugungsprognosen mit einem nRMSE von 12 % bis 13 % und Batteriespeicherprognosen mit einem nRMSE von circa 2 % entstehen. Der Vergleich zu anderen Methoden in zwei Benchmarks hat gezeigt, dass diese ähnliche Resultate erzielen. Ebenfalls als sehr zuverlässig erweisen sich die probabilistischen Prognosen der Erzeugermodelle. Die probabilistische Prognose des Batteriespeichers ist aufgrund einer iterativen Anwendung des Modells im Testzeitraum hingegen nicht zuverlässig. Aufgrund der allgemeinen Formulierung der Prognosemodelle als Optimierungsprobleme kann die Sensitivitätsanalyse des NLP-Solvers WORHP für die Erzeugungsprognosen genutzt werden, um eine automatisierte Eingangsdatenanalyse durchzuführen. Dies, zusammen mit dem integrierten Modellupdate, führt zu einer hochautomatisierten Prognose, welche nach einer Laufzeit von 20 Tagen vergleichbare Ergebnisse zu den Langzeitanalysen erreicht. Die Übertragung auf die Batteriespeicherprognose ist erneut aufgrund der Modelldynamik nicht möglich. Die Prognosemodelle der verschiedenen Komponenten des Energiemanagementsystems werden abschließend in einer Simulationsumgebung zusammengeführt. Dabei wird gezeigt, welchen potenziellen Mehrwert die probabilistischen Erzeugungsprognosen für die Entscheidungen des Energiemanagementsystems bieten können.

Zitiervorschlag

Jung, Francesca. Entwicklung robuster Prognosen für ein Energiemanagementsystem anhand datenbasierter Modellierungsverfahren unter Berücksichtigung von Unsicherheiten. Universität Bremen, 2019, http://nbn-resolving.de/urn:nbn:de:gbv:46-00107044-12.

Repository

elib.suub.uni-bremen.de

Identifikatoren

urn:nbn:de:gbv:46-00107044-12