Optimierung der Lastprognose mittels Smart Meter Daten

Transkript

1 1 Optimierung der Lastprognose mittels Smart Meter Daten Dustin Baranek, Alexander Probst und Stefan Tenbohlen Institut für Energieübertragung und Hochspannungstechnik (IEH) der Universität Stuttgart Kurzfassung-- Im folgenden Text wird die Anwendung der Standardlastprofile des BDEW erläutert und eine Methodik zur Erstellung von Lastprofilen aus Smart Meter Messdaten vorgestellt. Außerdem werden zwei Herangehensweisen zu Abschätzung des Jahresenergiebedarfs von lückenhaften Smart Meter Daten vorgestellt und verglichen. Die erstellten Lastprofile können für eine verbesserte und regionsabhängige Lastprognose und Netzplanung genutzt werden. N I. EINLEITUNG ACH dem neuen Energiewirtschaftsgesetz ist die Installation von Smart Metern für Besitzer von Neubauten sowie Besitzer von sanierten oder umfassend modernisierten Altbauten Pflicht. Aufgrund dieser Gesetzgebung und anderen Gründen werden zukünftig den Energieversorgern und Netzbetreibern eine zunehmende Anzahl an Smart Meter Aufzeichnungen zur Verfügung stehen. Diese Datensätze können als Grundlage für Optimierungen in zahlreichen Bereichen der Energieversorgung dienen. Unter anderem können die Netzplanung, die Zustandsschätzung (State Estimation) und die Lastprognose optimiert werden. Die vorliegende Arbeit beschäftigt sich mit der Verbesserung der Lastprognosen, die zurzeit hauptsächlich auf Basis der Standardlastprofile des Bundesverbandes der Energie- und Wasserwirtschaft e.v. (BDEW, früher VDEW) erstellt werden. In Zukunft könnten mithilfe der Aufzeichnungen von Smart Metern regionsspezifische Lastprofile, die das aktuell vorherrschende Verbrauchsverhalten gut wiederspiegeln, erstellt werden. Im ersten Teil dieser Veröffentlichung wird die Lastprognose mithilfe der Standardlastprofile des BDEW erläutert. Im zweiten Teil wird dargestellt wie Smart Meter Aufzeichnungen für eine analoge Anwendung ausgewertet werden können. Schwerpunkt der Arbeit ist der Umgang mit lückenhaften Datensätzen. Diese entstehen hauptsächlich durch das Hinzukommen von Smart Metern zu einem späteren Zeitpunkt des betrachteten Zeitraums, zum Teil auch durch technische Defekte. Diese Arbeit zeigt auf, wie man lückenhafte Datensätze auswerten und die Auswertung optimieren kann. Lückenhafte Datensätze aus Jahren des starken Zubaus von Smart Metern müssen somit nicht verworfen werden. Eine Kombination von vollständigen Datensätzen mit lückenhaften wird möglich. Somit kann die Datenmenge, auf der zu erstellende Lastprofile basieren, vergrößert werden. II. LASTPROGNOSE MITTELS DER STANDARDLASTPROFILE DES BDEW Für Kunden mit einem voraussichtlichen Jahresverbrauch unter kwh setzen die Energieversorgungs- Unternehmen (EVUs) kundengruppen-spezifische Standardlastprofile ein [1]. Ein Standardlastprofil (SLP) gibt den zu erwartenden Verlauf des Strombedarfs einer Kundengruppe wieder. Aus den Standardlastprofilen lässt sich eine Abschätzung der Energiemenge, die zur Versorgung dieser Kundengruppe notwendig ist, zu einem auswählbaren 15-Minutenintervall im Jahr ablesen. Eine Verwendung von Standardlastprofilen zur Abschätzung der Last einer größeren Kundengruppe mit Verbrauchern des gleichen Typs ist sinnvoll, da diese einer relativ gut vorhersagbaren Lastkurve folgen [2]. Diese so genannten Standardlastprofile sind auf kwh Jahresenergieverbrauch normiert. Ein EVU hält für jeden Kunden dieser Gruppe die Leistung, die das entsprechende Profil angibt, multipliziert mit dem Faktor Energieverbrauch des Vorjahres geteilt durch kwh bereit. Es gibt SLPs für unterschiedliche Kundengruppen. Der Verteilnetzetreiber (VNB) ordnet den Verbrauchern eine Kundegruppe zu und teilt diese dem Energieversorger mit. Es wird zwischen den Profiltypen Haushalt (H), Landwirtschaft (L) und Gewerbe (G) unterschieden [3]. Innerhalb der Kundengruppen Landwirtschaft und Gewerbe wird nochmals genauer differenziert. So gibt es für beide Kundengruppen zwar ein allgemeines Profil (G0 und L0), jedoch auch die Möglichkeit einer genaueren Spezifikation. Es gibt sechs Profiltypen für Gewerbe und zwei für Landwirte [4]. Das Repräsentative Lastprofil G5 wird beispielsweise für die Prognose von Bäckereien mit Backstube verwendet. Jeder dieser Profiltypen enthält Lastprofile für Verbrauchsperioden Winter, Sommer und Übergangszeit. Die Definitionen der Verbrauchsperioden sind Tabelle I festgehalten.

2 2 TABELLE I DEFINITION DER VERBRAUCHSPERIODEN DER STANDARDLASTPROFILE Verbrauchsperiode Beginn Ende Winter 1. November 20. März Sommer 15. Mai 14. September 1. Übergangszeit 21. März 14. Mai 2. Übergangszeit 15. September 31. Oktober Des Weiteren gibt es innerhalb der Verbrauchsperioden Lastprofile für Werktage, Samstage und Sonntage. Aus den genannten drei Verbrauchsperioden mit jeweils drei Wochenabschnitten ergeben sich für jeden Profiltyp neun Typtage und somit neun Lastprofile. Exemplarisch sind in Abbildung 1, Abbildung 2 und Abbildung 3 die Standardlastprofile des Profiltyps Haushalt (H0) dargestellt. Abbildung 3 Die zu dynamisierenden normierten Standardlastprofile (H0) der Verbrauchsperiode Übergangszeit Gesetzliche Feiertage gelten in der Betrachtung der Standardlastprofile als Sonntage der entsprechenden Verbrauchsperiode. Ausnahmen bilden die Feiertage am 24. Dezember und 31. Dezember, denen ein Samstagslastprofil zugeordnet wird [5]. Zusätzlich erfolgt eine Dynamisierung des Profiltyps Haushalt (H0). Die Dynamisierungsfunktion ist in Abbildung 4 dargestellt. Sie ordnet jedem Tag des Jahres einen Dynamisierungsfaktor zu, mit dem das jeweilige H0- Profil multipliziert wird. Abbildung 1 Die zu dynamisierenden normierten Standardlastprofile (H0) der Verbrauchsperiode Winter Abbildung 4 Dynamisierungsfunktion im Falle eines Gemeinjahres Der Mittelwert der Dynamisierungsfunktion über ein Jahr, also 365 beziehungsweise 366 Tage, ist in guter Näherung eins. Die Mittelwerte über die Verbrauchsperioden sind jedoch ungleich eins. Die Mittelwerte dieser Zeiträume sind in Tabelle II festgehalten [6]. Abbildung 2 Die zu dynamisierenden normierten Standardlastprofile (H0) der Verbrauchsperiode Sommer TABELLE II MITTELWERTE DER DYNAMISIERUNGSFUNKTION ÜBER DIE VERBRAUCHSPERIODEN Schaltjahr Gemeinjahr Winter 1, Sommer Übergangszeit

3 3 Die Durchschnittlichen Standardlastprofile des Profiltyps Haushalt (H0) ergeben sich durch Multiplikation der Standardlastprofile mit Mittelwerten der Dynamisierungsfunktion der entsprechenden Verbrauchsperiode. Die Durchschnittlichen Standardlastprofile sind in Abbildung 5, Abbildung 6 und Abbildung 7 dargestellt. Abbildung 5 Die durchschnittlichen und normierten Standardlastprofile (H0) der Verbrauchsperiode Winter Abbildung 6 Die durchschnittlichen und normierten Standardlastprofile (H0) der Verbrauchsperiode Sommer Jahr einer Kundengruppe geschieht durch eine Aneinanderreihung von neun Typtagprofilen des entsprechenden Profiltyps. Der Profiltyp Haushalt wird zusätzlich dynamisiert. III. LASTPROGNOSE MITTELS LÜCKENHAFTER SMART METER MESSDATEN Eine Lastprognose mittels Messdaten von Smart Metern bietet einige Vorteile. Zum einen können mit den Daten regionsspezifische Lastprognosen erstellt werden und zum anderen können diese Lastprofile durch zeitnahe Messung und Erstellung die aktuellen Verbrauchsgewohnheiten besser darstellen. Es ist zu beachten, dass die Erstellung der Standardlastprofile des BDEW schon einige Jahre zurück liegt. Das Vorgehen für eine Erstellung von Lastprofilen aus Smart Meter Messdaten wird im Folgenden erläutert. Die Anwendung dieser so genannten Meter Profile könnte analog zu den Standardlastprofilen des BDEW erfolgen. Diese Meter Profile sind keiner Kundengruppe zugeordnet, sondern spiegeln die aktuellen Verbrauchsgewohnheiten einer Region wider. Des Weiteren werden die entstehenden Meter Profile nicht dynamisiert. Die Optimierung durch Zuordnung von Kundengruppen und Dynamisierung sind Teil der weiterführenden Arbeit. A. Werte- und Zeit-Parität Die Messdaten, auf denen die vorliegende Arbeit beruht, stammen von der EnBW Regional AG aus der Region MeRegio, die ein Teil des öffentlich vom BMWi und BMU geförderten Projekts E-Energy ist [7]. In diesem eher ländlichen Gebiet kommt es während dem betrachteten Jahr 2010 zu einem starken Zubau an Smart Metern. Im Zeitraum Januar/Februar stehen Messdaten von 332 Smart Metern zur Verfügung. Gegen Ende des Jahres 2010 können bereits Informationen aus 913 Smart Metern gewonnen werden. Der Zuwachs an verfügbaren Smart Metern ist Abbildung 8 dargestellt. Erfolgt eine Erstellung von Meter Profilen, die auf einem derart wachsenden Daten-Pool basieren, muss dieser Zuwachs berücksichtigt werden. Abbildung 7 Die durchschnittlichen und normierten Standardlastprofile (H0) der Verbrauchsperiode Übergangszeit Zusammenfassend lässt sich sagen, dass eine Lastprognose mittels BDEW Standardlastprofilen zunächst eine Zuordnung der Kunden in Profiltypen erfordert. Die Lastprognose übers Abbildung 8 Anzahl der zur Verfügung stehenden Smart-Meter in den Monaten des Jahres 2010 in der betrachteten Region

4 4 Für die Erstellung der Meter Profile benötigt man den durchschnittlichen Verlauf der Last während den neun Typtagen jedes einzelnen Smart Meters. Diese Profile werden im Folgenden individuelle durchschnittliche Lastverläufe (idls) genannt. Exemplarisch sind die idls der Verbrauchsperiode Winter eines Smart Meters in Abbildung 9 dargestellt. Abbildung 9 idl Winter eines Smart Meters mit 39% Vollständigkeit (VV-Methode: kwh, RV-Methode: kwh) Die idls werden dann mit dem Ergebnis der neun Meter Profile gemittelt. Diese Durchschnittsbildung kann bei einer starken Änderung der verfügbaren Smart Meter, während des betrachteten Zeitraums, sinnvollerweise auf zweierlei Wegen erfolgen. Die Methoden der Werte-Parität und Zeit- Parität sollen im folgenden Abschnitt erläutert werden. Es liegt Werte-Parität vor, wenn sämtliche Messwerte des betrachte Typtages mit gleicher Gewichtung in das Lastprofil eingehen. Hier werden die idls abhängig von der Anzahl der Messwerte, die sie repräsentieren, gewichtet. Hingegen herrscht Zeit-Parität, wenn die Gewichtung sämtlicher 15- Minutenintervalle des betrachteten Typtages gleich groß ist. Im Falle der Werte-Pariät, einer gleichen Gewichtung der Messwerte, fallen Zeitintervalle, an denen mehr Messwerte vorliegen, stärker ins Gewicht als Zeitintervalle mit einer geringeren Anzahl an Messwerten. Bei der Betrachtung der Verbrauchsperiode Winter wird der Unterschied der beiden Methoden deutlich. Im Falle des verwendeten Datensatzes liegen zu Beginn der Verbrauchsperiode Winter, also im November und Dezember, wesentlich mehr Messwerte als im Zeitraum Januar und Februar vor (Abbildung 8). Bei Verwendung der Methodik Werte-Parität, in der jeder Messwert mit gleicher Gewichtung ins Lastprofil eingeht, können die erstellten Lastprofile der Verbrauchsperiode Winter theoretisch eher den Verlauf der Last im November und Dezember repräsentieren als einen allgemeinen Wintertag. Aus diesem Grund ist eine weitere Methode der Durchschnittsbildung, die so genannte Zeit-Parität, sinnvoll. Mit dieser Methodik werden die idls unabhängig von der Anzahl der Messwerte die sie repräsentieren, gemittelt. Dadurch geht jedes 15-Mintervall mit gleicher Gewichtung in das Meter Profil ein. Der Unterschied zwischen Zeit-Parität und Werte- Parität in Abbildung 10, Abbildung 11 und Abbildung 12 dargestellt. Das Vorgehen der dafür notwendigen Normierung mithilfe der abgeschätzten Jahresenergiebedarfe der Smart Meter wird im folgenden Kapitel erläutert. Abbildung 10 Meter Profile der Verbrauchsperiode Winter mit den Methoden Werte-Parität und Zeit-Parität (Mindestvollständigkeit 0%)

5 5 Abbildung 11 Meter Profile der Verbrauchsperiode Sommer mit den Methoden Werte-Parität und Zeit-Parität (Mindestvollständigkeit 0%) Abbildung 12 Meter Profile der Verbrauchsperiode Übergangszeit mit den Methoden Werte-Parität und Zeit-Parität (Mindestvollständigkeit 0%) Vergleicht man die Methoden Zeit-Parität und Werte-Parität wird deutlich, dass sich nur geringfügige Unterschiede ergeben. Unabhängig von der Wahl der Methode kommt man auf sehr ähnliche Ergebnisse. Der Unterschiede liegen im normierten Meter Profil innerhalb 10 Watt. Am größten Fallen die Unterschiede in der Verbrauchsperiode Winter und am geringsten im Sommer aus. Wie erwartet ergeben sich in den Zeiträumen, mit den größten Gradienten an verfügbaren Smart Meter, größere Unterschiede im Ergebnis. In der Verbrauchsperiode Sommer in der dieser Gradient am kleinsten ist, sind kaum Unterschiede zu beobachten. Am repräsentativsten sind die Meter Profile der Werktage, da die Zahl der verfügbaren Messdaten für diesen Typtag am größten ist. Aus diesem Grund bezieht sich die folgende Interpretation auf die Werktag Meter Profile. Der Dynamisierungsfunktion (Abbildung 4) ist entnehmbar, dass der durchschnittliche Energiebedarf während der Verbrauchsperiode Winter vom 1. Januar bis 20. März größer ist als im Zeitraum vom 1. November bis 31. Dezember. Im Zeitraum 1. Januar bis 20. März beträgt der Mittelwert der Dynamisierungsfunktion 1,2125. Im Zeitraum vom 1. November bis 31. Dezember beträgt dieser Mittelwert 1,1529. Diese Tatsache spiegelt sich in dem Ergebnis wider. Mit der Methode Werte-Parität fällt der Zeitraum des höheren Energiebedarfs geringer ins Gewicht. Deshalb liegen die Winter Werktag Meter Profile mit Werte-Parität unter dem Verlauf derselben Meter Profile mit Zeit-Parität.

6 6 Den gleichen Effekt kann man bei der Verbrauchsperiode Übergangszeit beobachten. Im Zeitraum vom 21. März bis 14. Mai ist der Verbrauch höher (Durchschnitt Dynamisierungsfunktion: 1,0012) als im Zeitraum vom 15. September bis 31. Oktober (Durchschnitt Dynamisierungsfunktion: 0,9421). Das Meter Profil Übergangszeit Werktag mit Werte-Parität, dass in diesem Fall den Zeitraum geringerer Energiebedarfe stärker gewichtet, liegt unterhalb demselben Meter Profil mit Zeit-Parität. B. Schätzung des Jahresenergiebedarfs Für die Erstellung von Meter Profilen werden die individuellen durchschnittlichen Lastverläufe (idls), die die Verbrauchsgewohnheiten während den neun Typtagen widerspiegeln, aller Smart Meter normiert und anschließend mit Zeit-Parität oder Werte-Parität gemittelt. Für eine Normierung der idls auf kwh erfolgt eine Multiplikation mit kwh und Division durch den Jahresenergiebedarf des entsprechenden Smart Meters. Diese Jahresenergiebedarfe müssen bei lückenhaften Datensätzen jedoch abgeschätzt werden. Wie lückenhaft die Smart Meter, des verwendeten Meter-Pools sind, ist in Abbildung 13 und Abbildung 14 dargestellt. Die Vollständigkeit gibt den prozentualen Anteil der Messdaten zu einem lückenlosen Datensatz an (Gleichung 2). In Abbildung 13 wird ersichtlich wie sich die Smart Meter über der Vollständigkeit verteilen. So überschreiten 248 Smart Meter eine Vollständigkeit von 99%. Ein großer Anteil des 917 Smart Meter großen Meter-Pools ist jedoch wesentlich unvollständiger. Ab einer Vollständigkeit von 5% ist nahezu jede Vollständigkeit vertreten. Abbildung 13 Absolute Anzahl der Smart Meter über deren Vollständigkeit In Abbildung 14 ist die Mindestvollständigkeit in Prozent über dem Anteil der Smart Meter am Meter-Pool aufgetragen. Denn wichtiger als die Verteilung der Vollständigkeit ist für eine Berechnung die Anzahl der Smart Meter die bei gegebener Mindestvollständigkeit berücksichtigt werden. Gibt man beispielsweise vor, dass für eine Berechnung die verwendeten Smart Meter mindestens bei 99 Prozent der möglichen Zeitpunkte Daten liefern, kann man auf 27 Prozent der Smart Meter aus dem Pool zurückgreifen. Eine hohe Mindestvollständigkeit fördert die Güte der Berechnungen, da der Jahresenergiebedarf gut abgeschätzt werden kann. Ein hoher Anteil am Smart-Meter Pool führt zu glatteren Verläufen und ist repräsentativer, da die Profile auf zahlreicheren Smart Meter Daten beruhen. Es ist ein Kompromiss zwischen hoher Mindestvollständigkeit und hoher Smart Meter Anzahl zu finden. Ein starker Abfall im Kurvenverlauf zeigt an, dass eine relativ große Verringerung der Mindestvollständigkeit nur zu einem vergleichsmäßig geringen Zuwachs der berücksichtigen Smart Meter führt. Betrachtet man hingegen einen flachen Gradient, wie beispielsweise zwischen 40% und 60% Anteil der Messdaten am Meter Pool, wird deutlich, dass bei einer relativ schwachen Senkung der Mindestvollständigkeit von 60% auf 44% die Anzahl der betrachteten Smart Meter um 20% steigt. Abbildung 14 Mindestvollständigkeit der Smart Meter über dem Anteil am Meter-Pool Im Folgenden werden zwei Methoden der Abschätzung des Jahresenergiebedarfs vorgestellt und verglichen. Zum einen die Vollständigkeits-Verbrauchsabschätzung (VV- Methode) und die Referenz-Verbrauchsabschätzung (RV-Methode). Die VV-Methode extrapoliert die Summe der vorhandenen Energiebedarfe mittels Dreisatz. Nach Aufsummierung der verfügbaren Messwerte der einzelnen Smart Meter werden diese Summenwerte mittels Division durch deren Vollständigkeit extrapoliert. Die Vollständigkeit ist die Anzahl der Verfügbaren Messwerte N dividiert durch das Produkt von der Anzahl der Tage des Jahres mit dem Faktor 96. Der Faktor 96 ergibt sich, da bei einem lückenlosen Datensatz 96 Messungen pro Tag vorhanden sind. Eine weitere Division durch folgt, um aus dem summierten Messwerten Energiemengen zu machen. Die Messwerte sind durchschnittliche Lasten des Smart Meters während 15 Minuten in Watt. Die Division durch sowie durch vier, also 4.000, erzeugt aus dem summierten durchschnittlichen Leistungswert eine Energiemenge in kwh. Die vier kommt zustande, da der Energiebedarf in Wh, der innerhalb 15-Minuten Intervalle anfällt, dem durchschnittlichen Leistungswert durch vier entspricht. Die Division durch formt die Energiemenge in Wh in

7 7 Energie in kwh um. Die Herangehensweise der Referenz- Verbrauchsabschätzung (RV-Methode) ist eine andere. Motivation ist hierbei, dass eine Lastabschätzung für fehlende Messwerte, abhängig von dessen Zeitpunkten als sinnvoll erscheint. Die Referenz-Verbrauchsabschätzung wird im Folgenden vorgestellt und mit der VV-Methode verglichen. Mit der RV-Methode sollen beispielsweise fehlende Messwerte im Sommer beziehungsweise während der Nacht eine geringere Extrapolation verursachen, als lückenhafte Messdaten im Winter beziehungsweise zu einem Zeitpunkt am Abend. Das grundsätzliche Vorgehen der RV-Methode ist es für jeden Smart Meter eine Lastprognose mithilfe dessen idls zu machen. Die Energiemenge der individuellen durchschnittlichen Lastverläufe (idls) wird durch Aufsummierung dessen Leistungswerte und Division durch errechnet. Diese Energiebedarfe werden, der Abfolge der Typtage des Jahres entsprechend, aneinandergereiht und aufsummiert. Dieser Wert ist eine Abschätzung des Jahresenergiebedarfs. Es kommt jedoch vor, dass idls lückenhaft sind oder gänzlich fehlen. So können beispielsweise für Smart Meter, die im Zeitraum November/Dezember in den Meter Pool hinzukommen, keine idls für die Typtage der Verbrauchsperiode Sommer oder Übergangszeit erstellt werden. Ebenso kommt es vor, dass idls lückenhaft bleiben, wenn keine Messwerte für bestimmte Zeitintervalle vorliegen. Dies ist der Fall wenn beispielsweise für das Zeitintervall Winter Sonntag 13:00 Uhr 13:15 Uhr innerhalb des betrachteten Zeitraumes keine Messwerte vorhanden sind. Die Herangehensweise der RV-Methode in solchen Fällen wird in den folgenden Abschnitten erklärt. Um die Problematik der lückenhaften idls zu lösen, werden Intervall-Referenzverbräuche (IRVs) erstellt. IRVs errechnen sich aus den mit der VV-Methode normierten Meter Profilen, so genannten Referenzprofilen. Referenzprofile zeichnen sich dadurch aus, dass sie das Kriterium einer hohen Mindestvollständigkeit erfüllen müssen. IRVs geben den Energieanteil der 15- Minutenintervalle der Typtage am Jahresenergiebedarf an. So kann man beispielsweise aus den IRVs ablesen, wie hoch der Anteil eines durchschnittlichen 15-Minuten Intervalls, beispielsweise Sommer Werktag 20:00Uhr bis 20:15Uhr, am Jahresenergiebedarf ist. Ein Ausschnitt der Intervall-Referenzverbräuche im Verbrauchsintervall Winter und Sommer ist in Tabelle III gegeben. TABELLE III AUSSCHNITT AUS DEN INTERVALL-REFERENZVERBRÄUCHEN (IRVS) WINTER WERKTAG UND SOMMER WERKTAG Winter Werktag Sommer Werktag 0:00Uhr 0:15Uhr 0, , :15Uhr 0:30Uhr 0, , :30Uhr 0:45Uhr 0, , :00Uhr 18:15Uhr 0, ,02867 % 18:30 Uhr 18:45 Uhr 0, ,02942 % Die hier verwendeten Referenzprofile sind Meter Profile mit Zeit-Partität und einer Mindestvollständigkeit von 99 Prozent. Der Jahresenergiebedarf dieser Smart Meter lässt sich mit der VV-Methode aufgrund deren hohen Vollständigkeit sehr gut abschätzen. Diese Referenzprofile werden in Intervall- Referenzverbräuche umgewandelt indem deren Einträge durch dividiert werden. Der Divisor von ergibt sich aus dem Produkt von 4.000, um die Leistungswerte in Energiemengen in kwh umzurechnen, multipliziert mit dem Faktor 1.000, um den Anteil an kwh zu errechnen. Aus diesen IRVs können für jeden Smart Meter ein Referenzteiler für eine Extrapolation des Energiebedarfs einer lückenhaften idl erzeugt werden. Ist ein idl lückenhaft, wird dessen Energiebedarf abhängig von den fehlenden Zeitpunkten extrapoliert. Die Extrapolation erfolgt durch Division durch einen Referenzteiler. Der Referenzteiler ist eins minus die Summe der Intervall-Referenzverbräuche an den Zeitpunkten fehlender Messwerte. Für den Fall, dass ganze idls fehlen wird analog vorgegangen. Mittels der gleichen Referenzprofile werden Typtag-Referenzverbräuche (TRVs) erstellt. Diese geben den durchschnittlichen Anteil sämtlicher Tage eines Typtages am Jahresenergiebedarf an. In dem TRVs ist beispielsweise ablesbar wie hoch der Energieanteil des Typtages Winter Werktag, unter Berücksichtigung sämtlicher Tage dieses Typs innerhalb eines Jahres, ist. Die Inhalte der Typtag-Referenzverbräuche sind in Tabelle IV dargestellt. TABELLE IV SÄMTLICHE WERTE DER INTERVALL-REFERENZVERBRÄUCHE Winter Sommer Übergangszeit Werktag 28,23 % 20,37 % 18,02 % Samstag 6,91 % 4,45 % 3,84 % Sonntag 7,63 % 4,94 % 5,62 %

8 8 Im Falle fehlender idls wird die Summe der Energiemengen, die sich durch Aneinanderreihung der vorhanden idls ergeben, durch den Typtagreferenzteiler dividiert. Der Typtagreferenzteiler ist 1 minus die Summe der TRVs der fehlenden idls. In Abbildung 15 ist die Verteilung der abgeschätzten Jahresenergiebedarfe nach VV-Methode und RV-Methode dargestellt. Abbildung 15 Histogramm der abgeschätzten Jahresenergiebedarfe nach VV-Methode und RV-Methode Das Verbesserungspotential durch die RV-Methode wurde mithilfe pseudo-unvollständiger Messreihen untersucht. Hierfür wurden 248 vollständige Smart Meter Messreihen (Vollständigkeit größer als 99 Prozent) verunvollständigt. Dafür wurden die fehlenden Messzeitpunkte der 248 Smart Meter mit geringster Vollständigkeit in der darauffolgenden Rechnung nicht berücksichtigt. Die Vollständigkeit vor und nach der Verunvollständigung sind in Abbildung 16 und Abbildung 17 dargestellt. Abbildung 16 Histogramm der Vollständigkeit der Smart Meter vor der Verunvollständigung

9 9 Der durchschnittliche vorzeichenbehaftete Fehler der VV-Methode liegt bei +10.9% während dieser Fehler bei der RV-Methode nur +1.5% beträgt. Der durchschnittliche absolute Fehler der VV-Methode beträgt 13.9% und der gleiche Fehlertyp mittels RV-Methode beträgt 8.6%. Die Fehlerverteilung der RV-Methode und VV-Methode ist in dem Histogramm in Abbildung 18 dargestellt. Abbildung 17 Histogramm der Vollständigkeit der Smart Meter nach der Verunvollständigung Mit diesen pseudo-unvollständigen Messreihen erfolgte eine Abschätzung des Jahresenergiebedarfs mittels RV- Methode und VV-Methode. Die vorzeichenbehafteten Fehler sind in Gleichung 9 und Gleichung 10, die absoluten Fehler in Gleichung 11 und Gleichung 12 definiert. Abbildung 18 Fehlerverteilung RV-Methode und VV-Methode Es lässt sich also eine Verbesserung der Schätzung des Jahresenergiebedarfs bei den genannten Daten mittels RV- Methode von einem absoluten Fehler von 13.9% auf 8.6% erreichen. Dies stellt eine relative Verbesserung um 38% dar. Wie zu erwarten überschätzt die VV-Methode mit einem relativen Fehler von +10,9 Prozent den Jahresenergiebedarf deutlich. Dies rührt aus der Hochskalierung der Messdaten, die vor allem während den verbrauchsstarken Monaten November und Dezember aufgenommen wurden. Die Abschätzung mittels RV- Methode hingegen liegt mit einem relativen Fehler von 1.5 Prozent im Mittel sehr nah bei den tatsächlichen Jahresenergieverbräuchen.

10 10 Abbildung 19Vergleich RV-Methode und VV-Methode anhand der Meterprofile der Verbrauchsperiode Winter ( Zeit-Parität ) Abbildung 20 Vergleich RV-Methode und VV-Methode anhand der Meterprofile der Verbrauchsperiode Sommer ( Zeit-Parität )

11 11 Abbildung 21 Vergleich RV-Methode und VV-Methode anhand der Meterprofile der Verbrauchsperiode Überganszeit ( Zeit-Parität ) Während der Verbrauchsperiode Winter sind die Meter Profile mit VV-Methodik unterhalb der Meter Profile mit der RV-Methode. In der Verbrauchsperiode Übergangszeit liegen die Meter Profile ebenso darunter, jedoch nicht so stark ausgeprägt. In der Verbrauchsperiode Sommer liegen die Meter Profile mit VV-Methodik hingegen leicht über den Profilen mit RV-Methode. Dass die Meter Profile mit VV-Methodik tendenziell unterhalb der Meter Profile mit RV-Methodik liegen macht dahingehend Sinn, da die VV- Methode im Schnitt einen 1.75 Prozent höhere Abschätzung des Jahresenergiebedarf errechnet als die Berechungen mit der RV-Methode. Dies liegt vermutlich daran, dass zahlreiche Meter Profile nur aus Daten aus der Verbrauchsperiode Winter bestehen. Der Verbrauch, der in diesem Zeitraum am höchsten ist, wird mit der VV- Methode auf das ganze Jahr hochskaliert und ist deshalb oftmals zu hoch. Der umgekehrte Trend in der Verbrauchsperiode Sommer erklärt sich folgendermaßen. Ein Viertel der Smart Meter, die in dem Sommer Meter Profilen verrechnet werden, liefern in den tendenziell verbrauchsstarken Monaten Januar bis April keine Messwerte (Abbildung 8). Die danach folgenden verbrauchsärmeren Monate werden jedoch repräsentiert. Dies führt dazu, dass die VV-Methode die Höhe Jahresenergiebedarfs unterschätzt. Daraus ergeben sich Profile die höher sind, als die Profile die mit RV-Methode berechnet wurden. IV. ZUSAMMENFASSUNG Zukünftig stehen den Netzbetreibern und Energieversorgungsunternehmen eine zunehmende Anzahl an Smart Meter Messdaten zur Verfügung. Nutzt man diese Datensätze um die Lastprognose zu optimieren, können Kosten, die durch Prognosefehler entstehen, reduziert werden. Die vorliegende Arbeit erläutert die Verwendung der Standardlastprofile des BDEW und stellt vor, wie aus Smart Meter Datensätzen aktuelle und regionsspezifische Lastprofile erstellt werden können. Es werden zwei Methoden der Durchschnittsbildung, die Zeit-Parität und die Werte-Parität, von Lastverläufen vorgestellt und verglichen. Des Weiteren werden zwei Vorgehensweisen zur Abschätzung des Jahresenergiebedarfs lückenhafter Datensätzen vorgestellt. Literatur [1] Standatdlastprofilverfahren. (abgerufen am 20. Oktober 2012) und (abgerufen am 20. Oktober 2012) [2] Dipl. Wirtsch.-Ing. Gunnar Bärwaldt. Auswirkungen von dynamischen Haushaltsstromtarifen auf der Basis stochastischer Haushaltslastprofile S. 2 [Online] bs.de/forschung/veroeffentlichungen/080131_langfassung_tu- Braunschweig_Baerwaldt_Kurrat.pdf (abgerufen am 22. Oktober 2012) [3] Standardlastprofile. (abgerufen am 20. Oktober 2012) [4] Standardlastprofilverfahren. (abgerufen am 20. Oktober 2012) [5] Verfahren zur Berechnung der Lastprofile bei Kleinkunden (abgerufen am 20. Oktober 2012) [6] Umsetzung der Analytischen Lastprofilverfahren Step-by-step (S.15) analytischenlastprofilv.pdf (abgerufen am 30. Oktober 2012) [7] MeRegio - Aufbruch zu Minimum Emission Regions, Karlsruhe/Stuttgart (abgerufen am 11. November 2012)