Vorhersagen in der Energiewirtschaft – Tutorial zur Vorhersage von Haushalts- und PV Lastgängen
Die Energiewirtschaft steht vor großen Herausforderungen, die eine hohe Anpassungsfähigkeit und die Nutzung von Flexibilität erfordern. Um die Integration der erneuerbaren Energien zu optimieren und die Potentiale der Elektromobilität und Wärmepumpen zu nutzen, sind zuverlässige Vorhersagen unerlässlich. In dieser Artikelserie wurden einige Grundkonzepte des Machine Learning vorgestellt, wie zum Beispiel geeignete Metriken zur Bewertung der Vorhersagequalität, verschiedene Machine Learning Methoden zur Vorhersage von Zeitreihen und deren Vor- und Nachteile. In diesem Artikel wird ein praktisches Beispiel gezeigt, wie mit Hilfe eines Jupyter Notebooks eine Zeitreihenvorhersage durchgeführt werden kann.
Für das Tutorial werden öffentliche Daten aus dem Pilotbetrieb des BDL Projekts verwendet, das die Haushalts- und PV-Last von verschiedenen Gebäuden erfasst hat. Zunächst werden einige Features aus den Zeitreihen extrahiert, die sich aus den zeitlichen Informationen oder aus vergangenen Werten oder deren statistischen Eigenschaften ableiten lassen. Anschließend werden die Zeitreihen in Trainings- und Testdaten aufgeteilt und die Korrelation der Features im Trainingsdatensatz untersuchen. Schließlich werden eine lineare Regression und einen Random Forest Regressor angewendet, um die Vorhersagen zu machen. Es werden auch die Metriken für beide Modelle berechnet und verglichen, um ihre Leistung zu beurteilen.
Weitere Informationen
- Vorhersagen in der Energiewirtschaft – Welche Fehlermetriken eignen sich?
- Vorhersagen in der Energiewirtschaft – Welche Methoden eignen sich?
- Vorhersagen in der Energiewirtschaft – Vergleich von konventionellen Machine Learning Methoden und Deep Learning
- Grundlagen künstlicher Intelligenz und Machine Learning in der Energiewirtschaft
- Anwendungsfälle von Supervised Machine Learning in der Energiewirtschaft
- Supervised Machine Learning
- Bidirektionales Lademanagement (BDL)
