Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing
Einführung Wärmeversorgungsanlagen als Energieausgleichsoption Leitwarte / Energiemanagementsystem Strom Daten Wärmespeicher BHKW, Wärmepumpe Elektrospeicherheizung Erneuerbare Energien Haushalt Stromnetz Elektrisch betriebene Wärmeversorgungsanlagen mit thermischem Speicher als Lastmanagementoption Nutzung bestehender Anlagen (Wärmepumpen, Elektrospeicherheizungen, BHKWs etc.) Einbindung in virtuelle Kraftwerke / Smart Home Anwendungen Wärmelastgangprognosen erforderlich Verbraucher Folie 2
Einführung Ziele der Arbeit Entwicklung eines Modells zur Prognose des Wärmelastgangs von Einfamilienhäusern Prognose nach SLP Gas Realer Wärmelastgang Außentemperatur Wärmelastgang Prognosemodell Eingangsparameter Berücksichtigung individueller Lastgangcharakteristiken Prognoseverfahren: Künstliche neuronale Netze (KNN) Prognose in stündlicher Auflösung für den Folgetag (24 h) Folie 3
Einführung Wesentliche Merkmale Künstliche Neuronale Netze (KNN) KNNs sind universelle Approximatoren: stetige Funktionen können beliebig genau approximiert werden Das Training von KNNs ist aufwendig Grundsätzliches Konzept ist die Minimierung des Fehlers zwischen berechneter und gewünschter Ausgabe durch Anpassung der Verbindungsgewichte Viele Freiheitsgrade bei der Erstellung von KNNs, z. B.: Anzahl der Schichten & Neuronen Trainingsalgorithmus Eingangsparameter Art der Verbindungen Eingabeschicht gewichtete Verbindungen versteckte Schicht Ausgabeschicht Folie 4
Methodik Modellentwicklung Entwicklung eines generischen Modells Automatisierte Ermittlung der optimalen Konfiguration der zur Prognose eingesetzten künstlichen neuronalen Netze (KNNs) Vergleich verschiedener Konfigurationen künstlicher neuronaler Netze Auswertung der Prognosequalität und Analyse der Haupteinflussgrößen Untersuchung der Eignung von KNN zur Prognose des Wärmelastgangs von Einfamilienhäusern Folie 5
Methodik Arbeitsschritte bei der Modellanwendung Vorbereitung Auswahl des Einfamilienhauses Datenbeschaffung und Aufbereitung Szenarien definieren (Festlegung der zu variierenden Freiheitsgrade) Durchführung Erstellung aller KNNs Durchführung des KNN-Trainings und Simulation der Prognose Berechnung der Prognosequalität Auswertung Auswertung aller KNNs Auswertung der besten einhundert KNNs Auswertung des besten KNNs Folie 6
Beispiel Wärmelastgangprognose für ein EFH Untersuchte Freiheitsgrade Wärmelastgangprognose in 1 h Auflösung für den Folgetag Datenbasis: 5 Monate (Wärmelastgang, Wetterdaten, kalendarische Daten) Neuronenanzahl in der verdeckten Schicht 5-50 KNN Erstellung Trainingsalgorithmus Backpropagation (Scaled Conjugate Gradient, Resilient Propagation) 24.000 Kombinationen KNN Training KNN Test (Prognose) Eingabedaten / Parameter 120 Kombinationen (Wetterdaten, kalendarische Daten etc.) Vergleich & Bewertung Folie 7
Methodik Bewertung Auswertung: Bewertung der erzielten Prognoseergebnisse Fehlerkennzahlen / Prognosegüte nn MMMMMMMM = 1 nn rrrrrrrrrrrr WWWWWWWW ii pppppppppppppppppppppppppppppppp WWWWWWWW ii rrrrrrrrrrrr WWWWWWWW ii ii=1 nn RRRRRRRR = 1 nn (rrrrrrrrrrrr WWWWWWWW ii pppppppppppppppppppppppppppppppp WWWWWWWW ii ) 2 ii=1 Statistische Auswertung Folie 8
Ergebnisse Parametervariationen Einfluss der Neuronenanzahl auf die Prognosegüte Mindestanzahl an Neuronen in der verdeckten Schicht erforderlich Vorkommenshäufigkeit unterschiedlicher Neuronenzahlen in der verdeckten Schicht unter den 100 besten Netzen Einfluss des Trainingsalgorithmus Unterschiedliche Streuung der Trainingsalgorithmen Boxplot: Einfluss des Trainingsalgorithmus auf den Prognosefehler Folie 9
Ergebnisse Prognose mit dem besten KNN Ergebnisse für drei Testwochen (kalt, mittel, warm) Testwoche kalt mittel warm Durchschnittstemperatur -1,68 C 5,88 C 12,58 C Grundsätzlich ist Wärmelastgang prognostizierbar Prognose deutlich geglätteter als realer Lastgang Abweichungen unterscheiden sich je nach Testwoche Testwoche Fehlerkennzahl kalt mittel warm RMSE 6,3 kwh/d 11,1 kwh/d 3,9 kwh/d MAPE 5,99 % 19,34 % 11,25 % Folie 10
Zusammenfassung und Ausblick Wärmelastgangprognose mittels KNNs Ziel Methodik Prognose des Wärmelastgangs von Einfamilienhäuser unter Berücksichtigung individueller Lastgangcharakteristiken durch Einsatz von künstlichen neuronalen Netzen (KNN) Entwicklung eines generischen Modells zur automatisierten Bestimmung geeigneter Konfigurationen des KNN-Prognosemodells Parameterstudie Ergebnisse Anwendung des Modells anhand eines Beispiels Wärmelastgang ist prognostizierbar Ausblick Weiterentwicklung des Modells Anwendung für weitere Haushalte / Wärmeverbraucher Einsatz zur Wärmelastgangprognose im Realbetrieb Folie 11
FRAUNHOFER UMSICHT Abteilung Energiesysteme Vielen Dank für Ihre Aufmerksamkeit! Kontakt: M. Sc. Maike Hasselmann Telefon: 0208-8598-1488 E-Mail: maike.hasselmann@umsicht.fraunhofer.de Osterfelder Straße 3 46047 Oberhausen Internet: http://www.umsicht.fraunhofer.de Foto: photocase.de
Methodik Datenaufteilung Datensätze aufgeteilt in einen Trainings-, Test- und Validierungsdatensatz (Hold-Out-Verfahren) Aufteilung der Datensätze Testwoche Temperatur Zeitraum kalt -1,68 C 19.01.14 25.01.14 mittel 5,88 C 22.02.14 28.02.14 warm 12,58 C 21.04.14 28.04.14 Folie 13
Ergebnisse Plausibilitätsuntersuchung Prüfung des Prognosemodells auf Plausibilität und Robustheit Wärmelastgangprognose mit dem besten KNN bei Änderungen ausgewählter Eingangsgrößen Änderung der Außentemperatur Auswirkungen einer Temperaturänderung Auswirkungen auf den Wärmebedarf erscheinen plausibel Folie 14
Ergebnisse Prognose mit dem besten KNN Eingabedaten: Temperatur aktuell, Vortag, Folgetag, Windgeschwindigkeit, Temperatur (aktuell, Vortag, Folgetag) Windgeschwindigkeit Status Wärmespeicher Innenraumtemperatur Wärmebedarf der letzten 24h Trainingsalgorithmus: Scaled Conjugate Gradient Backpropagation Eingang: 35 Neuronen, verdeckt 30 Neuronen, Ausgang 24 Neuronen Folie 15