ISBN 9783843930468

978-3-8439-3046-8, Reihe Mathematik

Kevin Berk
Probabilistic Forecasting of Electricity Load for Industrial Enterprises

215 Seiten, Dissertation Universität Siegen (2016), Softcover, A5

Zusammenfassung / Abstract

Probabilistische Vorhersagemodelle für den Stromverbrauch erfahren stetig wachsendes Interesse im Zusammenhang mit Energiemärkten. Die Unsicherheit der Stromnachfrage von Endkunden und ihre Verbindung zur Schwankung des Strompreises sind ein großer Risikofaktor für Versorger und Firmen. Deswegen sind adäquate stochastische Modelle für die Entscheidungen des Risikomanagements aller Marktteilnehmer von immenser Relevanz. Der Forschungsstand in diesem Gebiet hängt vom Vorhersagezeitraum der Modelle sowie den betrachteten Daten ab. Insbesondere probabilistische Vorhersagen für den Stromverbrauch auf Unternehmensebene sind in der Literatur bis heute wenig behandelt worden.

Der Hauptfokus dieser Arbeit ist die Modellierung vom Stromverbrauch von Unternehmen in stündlicher Auflösung. Die Verbrauchsmuster variieren stark mit der Branche der Unternehmen, weshalb man spezielle Ans\"atze braucht. Die Modelle sollten dabei das saisonale Verbrauchsmuster sowie das stochastische Verhalten entsprechend abbilden können. Deshalb muss die Branche des Kunden für die Modellbildung berücksichtigt werden.

Wir erstellen ein System von stochastischen Modellen und Algorithmen für mittelfristige Vorhersagen des Stromverbrauchs von Unternehmen. Dieses ist flexibel genug um für Kunden aus verschiedenen Branchen verwendet zu werden. Es werden zwei Klassen von Modellen entwickelt. Die erste basiert auf einem parametrischen Zeitreihenansatz, in dem der Stromverbrauch durch eine saisonale Komponente und einen residualen stochastischen Prozess beschrieben wird. Die zweite Modellklasse ist ein stochastischer Prozess mit zwei Regimen, der Wechsel zwischen diesen Regimen wird durch eine nicht beobachtbare, inhomogene Markov-Kette beschrieben.

Die Klassifizierung der Lastprofile für eine der beiden Modellklassen erfolgt durch einen automatisierten Algorithmus, der auf statistischen Tests beruht. Wir bewerten die Anpassungsgüte der Modelle out-of-sample in einer umfangreichen Studie. Die dazu verwendete Datenbank umfasst fast eintausend Stromlastprofile von Unternehmen. Die Ergebnisse zeigen auf, dass, abhängig von der jeweiligen Branche, manche Modelle eine bessere Anpassung liefern als andere und somit für Kunden aus dieser Branche zu bevorzugen sind.