Bachelorarbeit Julian Vossen

 

Probabilistische Vorhersage von Haushaltsstromverbrauch mit künstlichen neuronalen Netzen

Systeme für das Energiemanagement in Haushalten erfordern präzise Vorhersagen des Haushaltsstromverbrauchs.
Da dieser aber starken Schwankungen und unvorhersehbarem menschlichen
Verhalten unterliegt, sind deterministische Punktvorhersagen mit großen Fehlern behaftet. Um
dieses Problem zu überwinden, werden probabilistische Vorhersagemethoden angewendet, die die
Unsicherheit in die Vorhersagen einschließen. In dieser Arbeit werden zwei Arten neuronaler Netze
(Mixture Density Networks und Softmax-Distribution Networks) genutzt, um die Wahrscheinlichkeitsdichte
über den Stromverbrauch der nächsten Stunde vorherzusagen. DieModelle werden auf
drei Smart Meter Datensätzen evaluiert, dem Smart*-, einem UCI- und dem UK-DALE-Datensatz.
Dabei werden probabilistischeMetriken wie der Continuous Ranked Probability Score für die Bewertung
der Dichtevorhersagen verwendet, während die Punktvorhersagegenauigkeit in absolutem
Fehler gemessen wird. Das zentrale Ergebnis der Arbeit ist, dass beide Arten neuronaler Netze die
Verteilungsdichte verlässlich vorhersagen können und dabei klar bessere Ergebnisse als einfache
Vergleichsmodelle erzielen. Die Untersuchung verschiedener Modellkonfigurationen hat gezeigt,
dass die Verwendung der letzten Verbrauchswerte die Genauigkeit stark verbessert. Wie lange diese
Werte zurückreichen, hatte hingegen nur sehr begrenzten Einfluss. Dagegen konnte die Verwendung
von minütlichen Verbrauchswerten die Genauigkeit gegenüber Daten geringerer zeitlicher
Auflösung erhöhen. Das Ergebnis dieser Arbeit schafft die Grundlage, um zu untersuchen, ob die
Verfügbarkeit von verlässlichen probabilistischen Vorhersagen dieOptimierung desHaushaltsstromverbrauchs
verbessern kann.