Vorhersagen in der Energiewirtschaft – Welche Fehlermetriken eignen sich?
Präzise Vorhersagen spielen eine zunehmend wichtige Rolle im Energiesektor: Um beispielsweise Engpässe und Überlastungen im Netz zu vermeiden, müssen die Flexibilitäten im Energiesystem effektiv genutzt werden. Dazu sind nicht nur genaue Vorhersagen für Energieproduktion, -bedarf und -preis erforderlich, sondern auch für die Flexibilitäten selbst. Konkret kann dies bedeuten, vorherzusagen, wie lange ein Elektrofahrzeug noch angeschlossen bleibt, um dessen Ladevorgang zu verschieben, also die Flexibilität optimal zu nutzen, oder wann die eine Wärmepumpe anspringt, um die benötigte Wärme zu liefern. Hierzu kann man supervised Machine-Learning-Methoden verwenden (weitere Anwendungsmöglichkeiten in der Energiewirtschaft).
Die Bewertung der Vorhersagegenauigkeit ist notwendig, um Modelle beurteilen zu können und untereinander zu vergleichen. Um die Abweichungen zwischen Vorhersagen und tatsächlichen Ereignissen zu beschreiben und zukünftige Abweichungen abschätzen zu können, werden spezifische Metriken verwendet. Unterschiedliche Metriken eignen sich für verschiedene Bewertungen der Genauigkeit. Die folgende Datei bietet einen Überblick über einige Metriken, ihre Vor- und Nachteile sowie ihre typischen Anwendungsbereiche. Man unterscheidet zwischen zwei Arten von Aufgaben, die eine Vorhersage erfüllen kann: Bei der Regression werden stetige Werte vorhergesagt, während es bei der Klassifikation um die Vorhersage von Gruppenzugehörigkeiten geht. In einem weiteren Artikel werden wir näher auf die Auswahl der passenden Methode zur Vorhersage von Zeitreihen eingehen.
Zusammenfassung
Die Auswahl der geeignetsten Metriken zur Bewertung von Vorhersagen in der Energiewirtschaft erfordert eine sorgfältige Analyse der Vorhersageaufgabe, Bewertungskriterien, Skalierung, Interpretierbarkeit und Auswirkungen von Features. Diese Übersicht der Metriken präsentiert die am häufigsten verwendeten und hebt ihre Stärken und Schwächen hervor. Sie dient als Ausgangspunkt, um bei der Auswahl der geeigneten Metrik für spezifischen Vorhersageanforderungen zu helfen.
Weitere Informationen
- Vorhersagen in der Energiewirtschaft – Tutorial zur Vorhersage von Haushalts- und PV-Lastgängen
- 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)
Literatur
[1] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Science & Business Media.
[2] Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting. Springer.
[3] Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts.
[4] R. Hyndman (2006). Another look at forecast accuracy metrics for intermittent demand. Foresight: The International Journal of Applied Forecasting, vol. 4, pp. 43–46.
[5] Makridakis, S. (1993). Accuracy measures: theoretical and practical concerns. International Journal of Forecasting, 9(4), 527-529.
[6] Huber, P.J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73-101.
[7] Koenker, R., & Bassett, G. (1978). Regression quantiles. Econometrica, 46(1), 33-50.
[8] Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427-437.
[9] Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
[10] Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1-3.
