Autoadaptives prädiktives Modell zur Quantifizierung von Gleichzeitigkeitsfeffekten in Lastverteilungen urbaner Energiesysteme

• Auto-adaptive predictive model for quantifying simultaneity effects within load distributions of urban energy systems

Koschwitz, Daniel; van Treeck, Christoph Alban (Thesis advisor); Nytsch-Geusen, Christoph (Thesis advisor)

Aachen (2020)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

Kurzfassung

Die vorliegende Arbeit beschreibt ein autoadaptives prädiktives Modell zur Quantifizierung von Gleichzeitigkeitseffekten in Lastverteilungen urbaner Energiesysteme mit dem Namen AMSA (Auto-adaptive Model for Simultaneity Analysis). Der mathematische Kern von AMSA beruht auf Techniken des maschinellen Lernens in Kombination mit Methoden der Energiedatenanalyse und ermöglicht eine Integration in intelligente vernetzte Energie-Informationssysteme. AMSA ist in Matlab implementiert und basiert auf einem modularen Aufbau, der durch verschiedene funktionale Teilblöcke definiert ist, wodurch einzelne Modifikationen von Schnittstellenfunktionen sowie modulare Erweiterungen nicht den numerischen Rechenkern beeinflussen. Die bisher hauptsächlich auf Erfahrungswerten und empirischen Analysen basierende Quantifizierung von Gleichzeitigkeitsfaktoren zur ökonomisch optimierten Auslegung von Energieerzeugungs- und Energieverteilungssystemen beruht auf einer historischen Messdatenbasis. Die herkömmliche Ableitung von Kennlinien aus Messdatenbeständen impliziert einen mit Zunahme der Gebäudegruppengröße sinkenden Gleichzeitigkeitsfaktor, welcher für Neuplanungen zentraler Energieversorgungssysteme angesetzt wird. Im Sinne der Optimierung letzterer ist es jedoch notwendig, sowohl historische und gegenwärtige als auch zukünftige Informationen zum Energiebedarf von Gebäuden und Gebäudegruppen szenariobasiert sowie unter Berücksichtigung von Unsicherheit abzubilden. Ferner bedarf es der Analyse von Ähnlichkeiten in den Lastverläufen von Gebäuden, um gleichzeitig wiederkehrende Muster erkennen und für die Identifizierung geeigneter Energieversorgungsverbünde zu nutzen. Vor diesen Hintergrund dient das entwickelte Modell dem Wissensgewinn aus einer komplexen variierenden Datenbasis zur Identifizierung von Entscheidungskorridoren in der mittel- und langfristigen Planung im Rahmen der Entwicklung von Quartieren und urbanen Regionen sowie kurzfristig ableitbarer Lastmanagementstrategien innerhalb der Energieversorgung. Grundlage für die Ableitung geeigneter Methoden zur Entwicklung von Teilmodellen bilden detaillierte Literaturrecherchen und -analysen zu Methodenfamilien mit ihren spezifischen Charakteristika sowie Erkenntnissen aus anwendungsbasierten Studien. Für die Abbildung zukünftiger Lastzustände dient ein Ensemble-Modell, das aus zwei Rekurrenten Neuronalen Netzen unterschiedlicher Tiefe und zwei Support Vector Machine Konfigurationen auf Basis verschiedener Kernel besteht. In Abhängigkeit von der Beschaffenheit der Eingangsdaten erfolgt eine automatisierte Auswahl der gebäudeindividuell geeigneten Prognosemethode auf Grundlage der Bewertung eines Fehlerindices in der jeweiligen Methodentestphase. Zur Analyse des Einflusses zukünftig variierender Wetterbedingungen und Gebäudesanierungen auf die Gleichzeitigkeitseffekte der urbanen Lastverteilung werden mathematischstatistische Methoden zur Lastgangmodifikation eingeführt. Für die Mustererkennung in Lastverteilungen werden mit Self-Organizing Maps in Kombination mit Learning Vector Quantization kompetitive Neuronale Netze eingesetzt. In diesem Zusammenhang erfogt im ersten Schritt eine automatisierte Gruppierung der Gebäude entsprechend ihrer charakteristischen Lastprofile. Im zweiten Schritt wird die Gebäudegruppe, deren Lastprofil jenem des Gesamtquartiers am ähnlichsten ist, identifiziert. Darauf aufbauend erfolgt die Berechnung von Gleichzeitigkeitsfaktoren und Spitzenlastbeiträgen von Gebäuden und Gebäudegruppen. Zur Modelldemonstration im abschließenden Teil dieser Arbeit dienen Monitoringdaten zum gebäudespezifischen Wärme- und Kälteverbrauch eines Forschungscampus. Im Rahmen dessen werden neben der statistischen Aufbereitung der Datenbasis eingangs Ergebnisse von Vorstudien zu Teilmodellen vorgestellt. Diese umfassen das Clustering thermischer Lastprofile, einen detaillierten Vergleich der verwendeten Prognosemethoden untereinander sowie langfristige Wärmelastprognosen auf Basis von Sanierungsszenarien. Darüber hinaus ermöglichen konventionell hergeleitete Kennlinien für den Gleichzeitigkeitsfaktor eine Einordnung und Evaluierung der mit AMSA erzielten Ergebnisse. Auf Gesamtmodellebene zeigen sich verschiedene Vorteile des Modells: Im Sinne eines kurzfristigen Lastmanagements muss durch die Einbeziehung des Gleichzeitigkeitsfaktors weniger Erzeugerleistung vorgehalten werden. Unter Berücksichtigung der ähnlichkeitsbasierten Gruppenbildungen lassen sich Schlüsselgebäude und die Gebäudegruppe identifizieren, deren temporäre Spitzenlastverschiebung den größten Anteil an dem zu erwartenden Spitzenleistungsbedarf auf Gesamtquartiersebene hat. Diese Informationen ermöglichen prädiktive Be- und Entladestrategien für Speichersysteme im Sinne eines Demand Side Managements. Hinsichtlich längerfristiger Planungszeiträume wird gezeigt, dass die Nutzung von Gleichzeitigkeitsfaktoren in Kombination mit ähnlichkeitsbasierten Gebäudegruppierungen zur Identifizierung möglicher Energieverbundsysteme eignen. Die Analyse zukünftiger Wetter- und Sanierungsszenarien demonstrieren ihren modifizierenden Einfluss auf die Ergebnisse der Gleichzeitigkeitsanalysen und unterstreichen den Bedarf eines autoadaptiven prädiktiven Modells. Das Ziel zukünftiger Forschungsarbeiten sollte in der Validierung von AMSA unter Berücksichtigung detaillierter Informationsgrundlagen liegen.

Einrichtungen

• Lehrstuhl für Energieeffizientes Bauen [312410]