Bachelorarbeit Julian Vossen

 

Probabilistische Vorhersage von Haushaltsstromverbrauch mit künstlichen neuronalen Netzen

Forecast horizon, dataset granularity and lagged input Urheberrecht: EBC

Systeme für das Energiemanagement in Haushalten erfordern präzise Vorhersagen des Haushalts- stromverbrauchs. 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 Wahrscheinlich- keitsdichte über den Stromverbrauch der nächsten Stunde vorherzusagen. Die Modelle werden auf drei Smart Meter Datensätzen evaluiert, dem Smart*-, einem UCI- und dem UK-DALE-Datensatz. Dabei werden probabilistische Metriken wie der Continuous Ranked Probability Score für die Bew- ertung 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 Verwen- dung 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 die Optimierung des Haushaltsstrom- verbrauchs verbessern kann.