Eingang zum Volltext in OPUS
Hinweis zum Urheberrecht
Studienarbeit zugänglich unter
URN: urn:nbn:de:bsz:93-opus-13621
URL: http://elib.uni-stuttgart.de/opus/volltexte/2003/1362/
Entwicklung eines adaptiven autoregressiven Modells zur Kurzfristlastprognose im liberalisierten Energiemarkt
Development of an adaptive autoregressive model for short-term load forecasting in liberalised energy markets
Buchholz, Bastian
pdf-Format:
Dokument 1.pdf (1.040 KB)
SWD-Schlagwörter:
ARX-Modell , Prognose , Energiemarkt
Freie Schlagwörter (Deutsch):
Last , Autoregression , Kurzfrist
Freie Schlagwörter (Englisch):
Load Forecast , Autoregression , Model , Short-Term , Energy Market
Institut:
Institut für Energiewirtschaft und Rationelle Energieanwendung
DDC-Sachgruppe:
Ingenieurwissenschaften und Maschinenbau
Dokumentart:
Studienarbeit
Sprache:
Deutsch
Erstellungsjahr:
2002
Publikationsdatum:
14.03.2003
Kurzfassung auf Deutsch:
Für Unternehmen in der Energiewirtschaft ist es von großer Bedeutung, die elektrische Lastnachfrage seitens der Verbraucher, vorhersagen zu können. Auf diese Weise können zum einen Stromproduzenten den Betrieb ihrer Kraftwerke, und
zum Anderen die durch die Liberalisierung des Energiemarktes neu entstandenen Stromhändler ihre Strategie beim An- und Verkauf von elektrischer Energie
besser planen.
Ziel dieser Arbeit ist es, auf Basis eines autoregressiven Ansatzes (AR-Ansatz),
verschiedene Modelle zu erstellen, welche eine Kurzfrist-Prognose, das heisst für den Zeitraum der nächsten 24 Stunden, der elektrischen Lastnachfrage ermöglichen. Der reine AR-Ansatz wird hierfür erweitert. Zuerst durch ein adaptives Prognosevorgehen, welches es dem Modell ermöglicht sich an veränderliche Bedingungen anzupassen, wie sie zum Beispiel durch die Fluktuationen im Kundenstamm, verursacht durch die Liberalisierung des Energiemarktes entstehen. Anschließend durch einen X-Anteil (ARX-Ansatz) welcher den Einfluss der Temperatur berücksichtigt und Konstanten zur Abbildung spezifischer elektrischer Tageslastverläufe enthält.
Die Ergebnisse zeigen, dass der ARX-Ansatz, kombiniert mit einem adaptiven
Prognosevorgehen, die besten Ergebnisse liefert. Werktage, speziell in der warmen Jahreszeit, lassen sich mit diesem Modell gut abbilden. Die Prognose von
Wochenend- und Feiertagen, sowie Tagen in der kalten Jahreszeit muss noch verbessert werden. Dabei ist bei der Prognose von Tagen der kalten Jahreszeit eine Verfeinerung des Verfahrens zur Berücksichtigung der Temperatur vorzunehmen
und eine Einbeziehung weiterer Einflussgrößen wie zum Beispiel der Helligkeit
vorzusehen.
Die Arbeit wurde betreut von Dipl.-Ing. Derk Jan Swider (ds@ier.uni-stuttgart.de).