DE102020207706A1

DE102020207706A1 - Verfahren zur Leistungsprognose eines Energiesystems

Info

Publication number: DE102020207706A1
Application number: DE102020207706.1A
Authority: DE
Inventors: Oliver Dölle; Houssame Houmy; Sebastian Schreck; Sebastian Thiem
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2020-06-22
Filing date: 2020-06-22
Publication date: 2021-12-23
Also published as: WO2021259540A1; AU2021298025A1; AU2021298025B2; EP4143938A1

Abstract

Es wird ein Verfahren zur Ermittlung einer Aggregation (4) von Leistungsprofilen P1,...,Pn(2) von n Energiesubsystemen (11) eines Energiesystems (1) zu m<n aggregierten Leistungsprofilen P̂1,...,P̂m(2), insbesondere für eine Leistungsprognose, vorgeschlagen, wobei hierzu eine Klassifizierung (40) der Energiesubsysteme (11) erfolgt, und jeder der m Klassen (42) einer der Klassifizierungen (40) eines der aggregierten Leistungsprofile P̅1,...,P̅m(2) zugeordnet wird. Das Verfahren ist gekennzeichnet durch die folgenden Schritte:- (I) Erzeugen von mehreren initialen Klassifizierungen (40), wobei jede Klassifizierung (40) disjunkte Klassen (42) der n Leistungsprofile P1,...,Pn(2) aufweist;- (L) Bereitstellen eines evolutionären Algorithmus mit Suchoperatoren, wobei die folgenden Schritte bis zum Erfüllen einer Abbruchbedingung wiederholt werden:- (L1a) Berechnen eines Prognosefähigkeitswertes fl für jede Klasse (42) jeder Klassifizierung (40) mittels einer Summe der der jeweiligen Klasse (42) zugehörigen Leistungsprofile (2);- (L1b) Berechnen eines Fitnesswertes der Klassifizierung mittels einer Summe der Prognosefähigkeitswerte Ω der Klassifizierung (40) für jede Klassifizierung (40);- (L2) Selektion von k Klassifizierungen (40) mit den k größten Fitnesswerten; und- (L3) Erzeugen von neuen Klassifizierungen (40) mittels der Suchoperatoren auf der Menge der selektierten k Klassifizierungen (40);- (T) Festlegen der aggregierten Leistungsprofile P̅1,...,P̅m(2) durch die Klassifizierung (40) mit dem größten Fitnesswert. Weiterhin betrifft die Erfindung ein Verfahren zur Leistungsprognose eines Energiesystems (1).

Description

Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Patentanspruches 1 sowie eine Verfahren gemäß dem Oberbegriff des Patentanspruches 11.
Ein Energiesystem, beispielsweise ein Stadtteil, ein Inselnetz, ein Campus oder ein Industriekomplex, umfasst typischerweise mehrere Energiesubsysteme, beispielsweise Wohngebäude, kommerzielle Gebäude, Industrieanlagen und/oder dezentrale Kraftwerke. Insbesondere umfassen Energiesubsysteme vermehrt energietechnische Anlagen, die erneuerbare Energien gewinnen, beispielsweise Photovoltaikanlagen und/oder Windkraftanlagen.
Für einen möglichst effizienten Betrieb eines solchen Energiesystems ist grundsätzlich eine Prognose von Last- oder Erzeugungsleistungen mit einer ausreichend hohen Genauigkeit erforderlich (englisch: Short-Term-Load-Forecast; abgekürzt STFL). Die Prognose erstreckt sich hierbei typischerweise bis zu wenigen Minuten im Voraus.
Insbesondere im Hinblick auf einen lokalen Energiemarkt ist eine ausreichend genaue Prognose für einen effizienten Betrieb vorteilhaft. Das ist deshalb der Fall, da durch einen lokalen Energiemarkt die teilnehmenden Energiesysteme lokal gewonnene Energie, insbesondere elektrische Energie (Strom), untereinander austauschen und handeln können. Hierbei ermöglicht es der lokale Energiemarkt durch seine dezentrale technische Ausgestaltung die lokal gewonnene Energie effizient mit dem lokalen Energieverbrauch abzustimmen. Somit ist ein lokaler Energiemarkt besonders im Hinblick auf erneuerbare Energien, die typischerweise lokal gewonnen werden, vorteilhaft. Für eine solche effiziente Abstimmung ist somit eine möglichst genaue Prognose erforderlich.
Ein lokaler Energiemarkt ist beispielsweise aus dem Dokument EP 3518369 A1 bekannt.
Aufgrund der hohen Volatilität der Erzeugung und/oder des Verbrauchs der einzelnen Energiesubsysteme ist eine Prognose auf Ebene der Energiesubsysteme nicht zielführend. Für die Energiesubsysteme würden sich ungenaue und nicht zufriedenstellende Erzeugungsprognosen beziehungsweise Lastprognosen ergeben.
Es wird durch eine Aggregation der Erzeugungsprofile und/oder Lastprofile (Leistungsprofile) der Energiesubsysteme versucht, die Prognosegenauigkeit zu erhöhen. Ziel der Aggregation ist es, dass sich die individuellen Schwankungen der Energiesubsysteme abschwächen, ausgleichen und/oder mitteln.
Nachteilig an einer Aggregation ist, dass dadurch Einzelheiten (Informationen) bezüglich des jeweiligen Energiesubsystems verloren geht.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, eine auf aggregierten Leistungsprofilen basierende Prognose durch eine verbesserte Aggregation zu verbessern.
Die Aufgabe wird durch ein Verfahren mit den Merkmalen des unabhängigen Patentanspruches 1 sowie durch ein Verfahren mit den Merkmalen des unabhängigen Patentanspruches 11 gelöst. In den abhängigen Patentansprüchen sind vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung angegeben.
Das erfindungsgemäße Verfahren zur Ermittlung einer Aggregation von Leistungsprofilen P₁,...,P_n von n Energiesubsystemen eines Energiesystems zu m<n aggregierten Leistungsprofilen P̅₁,...,P̅_m insbesondere für eine Leistungsprognose, wobei hierzu eine Klassifizierung der Energiesubsysteme erfolgt, und jeder der m Klassen einer der Klassifizierungen eines der aggregierten Leistungsprofile P̅₁,...,P̅_m zugeordnet wird, ist gekennzeichnet durch wenigstens die folgenden Schritte:

- Erzeugen von mehreren initialen Klassifizierungen, wobei jede Klassifizierung disjunkte Klassen der n Leistungsprofile P₁,...,P_n aufweist;
- Bereitstellen eines evolutionären Algorithmus mit Suchoperatoren, wobei die folgenden Schritte bis zum Erfüllen einer Abbruchbedingung wiederholt werden:
- - Berechnen eines Prognosefähigkeitswertes Ω für jede Klasse jeder Klassifizierung mittels einer Summe der der jeweiligen Klasse zugehörigen Leistungsprofile;
- - Berechnen eines Fitnesswertes der Klassifizierung mittels einer Summe der Prognosefähigkeitswerte fl der Klassifizierung für jede Klassifizierung;
- - Selektion von k Klassifizierungen mit den k größten Fitnesswerten; und
- - Erzeugen von neuen Klassifizierungen mittels der Suchoperatoren auf der Menge der selektierten k Klassifizierungen;
- Festlegen der aggregierten Leistungsprofile P̅₁,...,P̅_m durch die Klassifizierung mit dem größten Fitnesswert.

Das erfindungsgemäße Verfahren und/oder eine oder mehrere Funktionen, Merkmale und/oder Schritte des erfindungsgemäßen Verfahrens und/oder seiner Ausgestaltungen können computergestützt sein.
Energiesysteme und/oder Energiesubsysteme umfassen typischerweise mehrere Komponenten, die sich auf eine Gewinnung (Erzeugung), Umwandlung, Lieferung und/oder Nutzung von Energie, insbesondere elektrischer Energie (Strom) und/oder thermischer Energie (Wärme), beziehen. Ein Energiesystem beziehungsweise Energiesubsystem ist beispielsweise eine Stadt, ein Stadtbezirk, eine Gemeinde, ein Wohngebäude, ein Bürogebäude und/oder ein sonstiges Gewerbegebäude, eine industrielle Anlage, ein Kraftwerk und/oder ein Campus. Insbesondere umfassen Energiesysteme beziehungsweise Energiesubsysteme mehrere energietechnische Anlagen, beispielsweise Energiewandlungsanlagen, Verbrauchsanlagen und/oder Speicheranlagen. Beispielsweise ist das Energiesystem ein Stadtteil oder eine Gemeinde, welches mehrere Wohngebäude und/oder Bürogebäude und/oder gewerblich genutzte Gebäude und/oder dezentrale Kraftwerke, insbesondere Photovoltaikanlagen, Kraft-Wärme-Kopplungsanlagen und/oder Müllverbrennungsanlagen, als Energiesubsysteme umfasst. Das Energiesystem kann weiterhin ein Gebäude mit mehreren Einheiten als Energiesubsysteme sein.
Ein Leistungsprofil eines Energiesubsystems charakterisiert die zeitliche Abhängigkeit beziehungsweise einen zeitlichen Verlauf der Leistung des Energiesubsystems, die durch das Energiesubsystem bereitgestellt, insbesondere gewonnen, und/oder verbraucht wird. Hierbei kann eine Last (Verbrauch) und eine Erzeugung innerhalb des Zeitbereiches gemeinschaftlich vorliegen (Residualleistung). Mit anderen Worten kann ein Leistungsprofil ein Lastprofil und/oder Erzeugungsprofil sein. Weiterhin kann ein Leistungsprofil als Zeitsignal, beispielsweise als Funktion, und/oder zeitdiskretes Zeitsignal (Zeitreihe) vorliegen. Das Leistungsprofil kann ebenfalls als Signal bezeichnet werden.
Das Leistungsprofil kann als Zeitreihe beziehungsweise Messreihe, insbesondere in Form von Daten, und/oder analytisch, beispielsweise als gefittete Funktion, vorliegen. Typischerweise ist das Leistungsprofil beziehungsweise sind die Leistungsprofile messbasiert.
Der Begriff der Leistung bezieht sich auf eine innerhalb eines Zeitbereiches verbrauchte und/oder bereitgestellte, insbesondere gewonnene, Energie. Somit sind in der vorliegenden Erfindung die Begriffe Leistung und Energie äquivalent und untereinander austauschbar.
Weiterhin ist das Leistungsprofil insbesondere ein elektrisches Leistungsprofil, das heißt eine zeitliche Abhängigkeit einer elektrischen Leistung, oder ein thermisches Leistungsprofil, beispielsweise bezüglich einer Wärmeleistung und/oder Kälteleistung. Ferner kann ein gemischtes Leistungsprofil vorliegen.
Der Prognosefähigkeitswert ist ein Wert einer Prognosefähigkeitsfunktion. Insbesondere weist die Prognosefähigkeitsfunktion Werte im Bereich von 0 bis 1 auf. Die Prognosefähigkeitsfunktion kann als Maß der Prognosefähigkeit aufgefasst werden. Ein Prognosefähigkeitswert nahe dem Wert 1 bedeutet, dass das zugehörige aggregierte Leistungsprofil eine hohe Prognosefähigkeit aufweist. Es ist somit gut vorhersagbar, beispielsweise durch sein regelmäßiges Verhalten. Ein Prognosefähigkeitswert nahe dem Wert 0 lässt auf eine geringe bis keine Prognosefähigkeit schließen. Das zugehörige aggregierte Leistungsprofil weist in diesem Sinne eine hohe Zufälligkeit und kaum bis kein regelmäßiges Verhalten auf. Die Prognosefähigkeit ist somit ein Maß für die Vorhersagbarkeit des zugehörigen aggregierten Leistungsprofils. Grundsätzlich sind mehrere Maße, das heißt mehrere funktionale Abhängigkeiten zur Quantifizierung der Prognosefähigkeit denkbar. Als Minimalanforderung an das Maß kann bevorzugt gestellt werden, dass dieses einen höheren Wert aufweist, je regelmäßiger das zugehörige Signal in seinem zeitlichen Verlauf ist. Je unregelmäßiger das Signal ist, beispielsweise aufgrund von Rauschen und/oder einer hohen Volatilität, desto geringer sollte der Prognosefähigkeitswert sein. Eine Normierung auf den Wertebereich von 0 bis 1 ist zweckmäßig, wobei andere Normierungen vorgesehen sein können.
Der Fitnesswert ist ein Wert einer Fitnessfunktion. Typischerweise weist der evolutionäre Algorithmus eine solche Fitnessfunktion auf, die sinnbildlich bezüglich der Suchoperatoren des evolutionären Algorithmus ein Maß für die Fitness jeder Klassifizierung ist. Vorliegend wird der Fitnesswert durch die Summe der einer Klassifizierung zugeordneten Prognosefähigkeitswerte ausgebildet, sodass der Fitnesswert einen Gesamt- oder Summenprognosefähigkeitswert der jeweiligen Klassifizierung ausbildet.
Eine Klassifizierung kann ebenfalls als Gruppierung bezeichnet werden, sodass die Klassen die Gruppen der Gruppierung ausbilden.
Eine Zuordnung eines Energiesubsystems zu einer Klasse ist äquivalent zu einer Zuordnung des zum Energiesubsystems zugehörigen beziehungsweise durch dieses bereitgestellten Leistungsprofils.
Im Sinne des evolutionären Algorithmus bilden die Klassifizierung die Individuen der Population aus. Die Population wird durch alle Klassifizierungen beziehungsweise durch die Gesamtheit oder Menge der Klassifizierungen, das heißt die Gesamtheit der Individuen, ausgebildet.
Gemäß der vorliegenden Erfindung werden die n Leistungsprofile, insbesondere Lastprofile, der Energiesubsysteme des Energiesystems in m Klassen eingeteilt, wobei jeder Klasse einer der Klassifizierung ein aggregiertes Leistungsprofil zugeordnet ist. Die leere Klasse kann ebenfalls vorgesehen sein, beispielsweise wenn keine feste Anzahl an Klassen vorgesehen ist. Weiterhin werden mehrere solcher Klassifizierungen mit typischerweise wenigstens teilweisen verschiedenen aggregierten Leistungsprofilen und somit wenigstens teilweisen verschiedenen Klassen bereitgestellt, insbesondere erzeugt. Mit anderen Worten werden die n Leistungsprofile zu m aggregierten Leistungsprofilen gruppiert. Ein aggregiertes Leistungsprofil korrespondiert somit zu einer aufsummierten Teilmenge/Gruppe der Leistungsprofile.
Die aggregierten Leistungsprofile können jeweils durch eine Summe und/oder gewichtete Summe, der der jeweiligen Klasse zugehörigen oder zugeordneten Leistungsprofile berechnet werden.
Mit anderen Worten sei {P₁..., P_n} = {P_i}_i∈I für I = {1, ..., n} die Menge der Leistungsprofile, das heißt jedes Energiesubsystem stellt eines der Leistungsprofile P_i bereit, wobei P_i dem Energiesubsystem i zugeordnet ist. Die Leistungsprofile sind zeitabhängig, das heißt es ist P_i = P_i(t) beziehungsweise P_i= P_i;t für t ∈ T, wobei T den Zeitbereich kennzeichnet, für welchen die Leistungsprofile bereitgestellt wurden und über welchen sich diese erstrecken.
Die Menge der Leistungsprofile wird für jede der Klassifizierungen K in m disjunkte Klassen K E K eingeteilt. Mit anderen Worten ist Y = U_K∈K̂K, wobei die Klassen K jeder Klassifizierung disjunkt sind, das heißt es ist K ∩ L = ∅ für K ≠ L und K,L E K̂. Es erfolgt somit für jede Klassifizierung K̂ eine disjunkte Partitionierung der Menge der Leistungsprofile beziehungsweise der Leistungsprofile. Jeder Klasse K ∈ K̂ wird ein aggregiertes Leistungsprofil, beispielsweise durch P̅ = Σ_P:P∈K Pzugeordnet, das heißt durch die Summe der Leistungsprofile P der jeweiligen Klasse K (P E K). Eine gewichtete Summe kann vorgesehen sein. Mittels Ω(K):= Ω(P̅) = Ω(Σ_P:P∈K P) wird nun jeder Klasse K der Klassifizierung K ein Prognosefähigkeitswert Ω(K) zugeordnet, wobei Ω die Prognosefähigkeitsfunktion bezeichnet. Weiterhin wird erfindungsgemäß jeder der Klassifizierungen K mittels F(K̂) := Σ_K:K∈K̂ Ω(K) ein Fitnesswert zugeordnet, der aus der Summe aller Prognosefähigkeitswerte der jeweiligen Klassifizierung K̂ gebildet wird.
Gemäß der vorliegenden Erfindung wird mittels des evolutionären Algorithmus eine Klassifizierung ermittelt, welche einen höchsten Fitnesswert aufweist. Diese ermittelte Klassifizierung entspricht einer Aggregation der Leistungsprofile zu aggregierten Leistungsprofilen mit einer möglichst hohen Vorhersagbarkeit. Mit anderen Worten erfolgt ein synergetischer Kompromiss zwischen einer Aggregation, die stets mit einem Verlust von Einzelheiten über die Energiesubsysteme behaftet ist, und einer möglichst hohen Vorhersagbarkeit. Gemäß der vorliegenden Erfindung geht somit so wenig wie möglich bei der Aggregation verloren. Dadurch wird eine Prognose, die auf den aggregierten Leistungsprofilen basiert, deutlich verbessert. Die in diesem Sinne beste Aggregation wird erfindungsgemäß mittels des evolutionären Algorithmus ermittelt.
In einem ersten Schritt des Verfahrens beziehungsweise des evolutionären Algorithmus (Initialisierung) werden mehrere initiale Klassifizierungen, wobei jede Klassifizierung disjunkte Klassen der n Leistungsprofile aufweist, erzeugt. Im Hinblick auf den evolutionären Algorithmus stellt dies die Anfangspopulation dar.
In einem zweiten Schritt wird zunächst der evolutionäre Algorithmus mit Suchoperatoren und einer Fitnessfunktion bereitgestellt. Anschließend werden mittels einer Schleife (englisch: Loop), die bis zum Erfüllen des Abbruchkriteriums durchgeführt wird, neue Klassifizierungen erzeugt.
In einem ersten Teilschritt der Schleife wird ein Fitnesswert jeder Klassifizierung zugeordnet. Mit anderen Worten wird jedem Individuum der Population ein Fitnesswert zugeordnet. Die Zuordnung beziehungsweise Ermittlung/Berechnung der Fitnesswerte erfolgt basierend auf den Prognosefähigkeitswerten der jeder Klassifizierung zugehörigen Klassen. Hierzu wird der Prognosefähigkeitswert für jede Klasse jeder Klassifizierung mittels einer Summe, der der jeweiligen Klasse zugehörigen Leistungsprofile berechnet. Der Fitnesswert wird dann mittels einer Summe der Prognosefähigkeitswerte jeder Klassifizierung berechnet (wie obenstehend beschrieben). Somit weist jedes Individuum (Klassifizierung) der Population (Gesamtheit der Klassifizierungen) einen Fitnesswert auf, der umso größer ist, je größer seine Prognosefähigkeit und somit je höher die Vorhersagbarkeit der zum Individuum (Klassifizierung) zugehörigen Aggregation.
In einem zweiten Teilschritt erfolgt die Selektion. Mit andere Worten werden die bezüglich ihrer Fitnesswerte k-fittesten Individuen (Klassifizierungen) ermittelt, bestimmt oder ausgewählt.
Auf der Menge der k-fittesten Individuen werden in einem dritten Teilschritt neue Individuen, das heißt neue Klassifizierungen, mittels der Suchoperatoren, beispielsweise einer Mutation eines Individuums oder einer Rekombination zweier Individuen, durchgeführt. Jeder neu erzeugten Klassifizierung wird wiederum ein Fitnesswert zugeordnet (Evaluation).
Falls die dadurch neu erzeugte Population nicht das Abbruchkriterium erfüllt, wird die Schleife erneut durchlaufen. Ist das Abbruchkriterium erfüllt, erfolgt wiederum eine Selektion. Mit anderen Worten wird die Klassifizierung mit dem höchsten Fitnesswert, in diesem Sinne das fitteste Individuum, bestimmt. Die bezüglich der Vorhersagbarkeit beste Aggregation wird durch die Klassifizierung mit dem höchsten Fitnesswert festgelegt und somit ermittelt.
Gemäß der vorliegenden Erfindung erfolgt die Aggregation somit nicht zufällig oder gemäß fester Kriterien, beispielsweise durch ein Zusammenfassen nach Art der Energiesubsysteme, sondern dynamisch im Hinblick auf eine möglichst hohe Vorhersagbarkeit/Prognosegehalt. Durch die erfindungsgemäße Ausbildung der Fitnessfunktion beziehungsweise der Fitnesswerte, die dem evolutionären Algorithmus zugrunde liegt, mittels der Prognosefähigkeitswerte, die vom jeweiligen Informationsgehalt abhängig sind, werden die Klassifizierungen/Aggregationen beziehungsweise wird die Population zu einer höheren Prognosefähigkeit getrieben. Somit wird ein synergetischer Kompromiss zwischen einer Aggregation und dem zugehörigen Informationsverlust ermittelt. Insbesondere wird dadurch die Genauigkeit einer Leistungsprognose, die auf der Aggregation basiert, verbessert. Weiterhin kann durch das Abbruchkriterium eine Prognosegenauigkeit sogar vorgegeben werden, sodass eine in diesem Sinne minimale Aggregation mittels der vorliegenden Erfindung ermittelt werden kann, die die erforderliche Prognosefähigkeit erfüllt. Mit anderen Worten erfolgt sinnbildlich nur soviel Aggregation wie für eine festgelegte Prognosegenauigkeit beziehungsweise Prognosefähigkeit erforderlich ist.
Insbesondere im Hinblick auf einen lokalen Energiemarkt, an welchem das Energiesystem oder wenigstens ein Teil seiner Energiesubsysteme beteiligt ist, kann durch die vorliegende Erfindung eine verbesserte Prognose und somit eine effizientere Einbindung des Energiesystems beziehungsweise seiner teilnehmenden Energiesubsysteme erfolgen.
Im Hinblick auf elektrische Netze kann durch die vorliegende Erfindung ein sicherer und effizienter Betrieb des Netzes erfolgen. Weiterhin kann ein unnötiges Überlastungsmanagements, wie beispielsweise ein Redispatch, vermieden werden.
Weiterhin ist die vorliegende Erfindung für ein Energiesystemdesign vorteilhaft. Ist beispielsweise eine Last des Energiesystems beziehungsweise des Energiesubsystems schlecht vorhersagbar, das heißt diese weist einen vergleichsweise niedrigen Prognosefähigkeitswert auf, so könnte es vorteilhaft sein, zusätzliche Speicherkapazitäten vorzusehen.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung erfolgt das Erzeugen der initialen Klassifizierungen durch ein zufälliges Zuordnen der Leistungsprofile P₁,...,P_n zu den Klassen.
Mit anderen Worten werden die initialen Klassifizierungen, das heißt die initiale Population des evolutionären Algorithmus, jeweils durch ein zufälliges Ziehen ohne Zurücklegen aus der Menge der Leistungsprofile gebildet. Dadurch wird vorteilhafterweise eine anfängliche voreingenommene Zuordnung vermieden. Alternativ oder ergänzend kann eine vorteilhafte Auswahl für die initiale Population oder wenigstens einen Teil der initialen Population vorgesehen sein.
In einer vorteilhaften Weiterbildung der vorliegenden Erfindung wird der Prognosefähigkeitswert Ω mittels Ω = 1 - H_a ermittelt, wobei H_a den Wert der normalisierten Shannon-Entropie zur Basis α des der Klasse zugeordneten aggregierten Leistungsprofils bezeichnet.
Vorteilhafterweise wird durch die Shannon-Entropie der Informationsgehalt des aggregierten Leistungsprofils bestimmt. Mit anderen Worten ist die Shannon-Entropie des aggregierten Leistungsprofils ein Maß für den Informationsgehalt des aggregierten Leistungsprofils. Je höher der Informationsgehalt, desto zufälliger ist das aggregierte Leistungsprofil und desto weniger vorhersagbar ist es.
Die normalisierte Shannon-Entropie wird aus dem Verhältnis der Shannon-Entropie und dem Maximalwert der Shannon-Entropie gebildet. Die normalisierte Shannon-Entropie weist somit Werte im Bereich von 0 bis 1 auf. Weiterhin wird die normalisierte Shannon-Entropie als Effizienz (englisch: Efficiency) bezeichnet. Der Maximalwert der Shannon-Entropie liegt bei einer Gleichverteilung vor, das heißt, dass das zugehörige Leitungsprofil ein weißes Rauschen ist. Ist somit das aggregierte Leistungsprofil ein weißes Rauchen oder mit einem solchen vergleichbar, so weist die normalisierte Shannon-Entropie einen Wert nahe 1 auf. Der Informationsgehalt eines weißen Rauchens ist zwar 1, es ist jedoch nicht vorhersagbar, sodass sein Prognosefähigkeitswert 0 ist. Mit anderen Worten ist für ein weißes Rauschen fl =0, das heißt das zugehörige aggregierte Leistungsprofil ist nicht vorhersagbar. Werden somit Leistungsprofile zu einem nahezu weißen Rauschen aggregiert, so weist das aggregierte Leistungsprofil eine geringe bis keine Prognosefähigkeit auf. Mit anderen Worten weist ein Signal mit einem hohen Informationsgehalt eine geringe Prognosefähigkeit und somit eine geringe Vorhersagbarkeit auf. Somit ist das Ermitteln des Prognosefähigkeitswerts durch Ω = 1 - H_a vorteilhaft. Eine Klassifizierung, die mehrere solcher Klassen mit einer niedrigen Prognosefähigkeit aufweist, weist eine geringe Fitness, das heißt einen geringen Fitnesswert, auf.
Mit anderen Worten sollen bei einer Aggregation Informationen über die einzelnen Energiesubsysteme verloren gehen, sodass das dadurch erzeugte aggregierte Leistungsprofil weniger Informationsgehalt im Sinne der Shannon-Entropie aufweist, jedoch hierfür eine verbesserte Vorhersagbarkeit. Dadurch kann ein vorteilhafter Kompromiss zwischen Informationsverlust und Vorhersagbarkeit/Prognosefähigkeit gelingen, der gemäß der vorliegenden Erfindung kontrollierbar/einstellbar ist.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird die Shannon-Entropie mittels der spektralen Dichte (englisch: Power Spectral Density; abgekürzt PSD) des jeweiligen aggregierten Leistungsprofils P̅₁,...,P̅_m ermittelt.
Jedes aggregierte Leistungsprofil P̅_k weist als Zeitsignal/Zeitreihe eine zugehörige spektrale Dichte S _P _k(ω) für k = 1, ...,m auf. Ist ƒ _P _k(ω) = S _P _k(ω)/Var(P _k) die auf die Varianz des aggregierten Zeitsignals normierte spektrale Dichte (Wahrscheinlichkeitsdichtefunktion), so wird die Shannon-Entropie bevorzugt mittels $H_{a} ({\bar{P}}_{k}) = - {\int f}_{{\bar{P}}_{k}} (ω) {log}_{a} f_{{\bar{P}}_{k}} (ω) d ω$
gebildet beziehungsweise berechnet oder ermittelt. Hierbei bezeichnet ω die Kreisfrequenz und log_a den Logarithmus zur Basis a, sodass ebenfalls die Shannon-Entropie zur Basis a gebildet wird. Die Shannon-Entropie wird somit durch die differentielle Entropie ausgebildet, wobei diskrete Ausbildungen ebenfalls vorgesehen sind. Die konkrete Ausbildung, ob diskret oder kontinuierlich, hängt hierbei von der Ausbildung des Zeitsignals (kontinuierlich oder diskret) ab. Beispielsweise ergibt sich für eine Gleichverteilung (weißes Rauschen) auf einem Intervall [-ω₀, ω₀] die normierte spektrale Dichte ƒ(ω) = 1/(2ω₀) und somit die maximale Shannon-Entropie von H_a = log_a(2ω₀).
In einer vorteilhaften Ausgestaltung der Erfindung wird die spektrale Dichte mittels der Autokorrelation des jeweiligen aggregierten Leistungsprofils P ₁,...,P _m ermittelt.
Die Autokorrelation eines der aggregierten Leistungsprofile ist durch γ _P _k(τ) = E[(P _k;t - µ _P _k)(P _k;t-τ - µ _P _k)] bestimmt, wobei E den Erwartungswert und µ _P _k den zeitlichen Mittelwert des aggregierten Leistungsprofils P̅_k bezeichnet. Für ein zeitdiskretes Leistungsprofil ist γ _P _k(r) = E[(P _k;t - µ _P _k)(P _k;t-_r - µ _P _k)] mit r ∈ ℤ. Das ist deshalb von Vorteil, da die Autorkorrelation ein Maß für Korrelationen innerhalb des jeweiligen Leistungsprofils und somit für seine Regelmäßigkeit ist. Weiterhin kann die spektrale Dichte mittels der Autokorrelation effizient durch das Wiener-Chintschin-Theorem berechnet werden.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden als Suchoperatoren des evolutionären Algorithmus eine Mutation und/oder eine Rekombination verwendet.
Vorteilhafterweise können dadurch bevorzugte neue Klassifizierungen aus den bisherigen Klassifizierungen gebildet werden. Die Suchoperatoren des evolutionären Algorithmus operieren auf der Menge der k-fittesten Klassifizierungen.
Bei einer Mutation oder einem Mutationsereignis (englisch: Mutation Event) wird die Zuordnung oder Zughörigkeit eines Leistungsprofils zu einer Klasse der Klassifizierung zufällig verändert. Mit anderen Worten wird wenigstens ein Leistungsprofil der Klassifizierung einer Klasse der Klassifizierung mit einer festgelegten Wahrscheinlichkeit neu zugeordnet. Mit anderen Worten wird die Klassenzuordnung eines Leistungsprofils zufällig innerhalb derselben Klassifizierung verändert. Dadurch bildet sich eine neue zufällige Klassifizierung aus. Eine oder mehrere Mutationen können vorgesehen sein.
Eine Rekombination (englisch: Cross Over) erzeugt basierend auf zwei Klassifizierungen (Eltern) eine neue Klassifizierung, das heißt einen Nachkommen (englisch: Offspring) . Hierbei werden zwei Klassifizierungen gemischt, wobei mit einer Wahrscheinlichkeit von 0,5 (50 Prozent) eine Klasse von den zwei Klassifizierungen als Klasse der neuen Klassifizierung (Nachkomme) verwendet wird. Mit anderen Worten umfasst die neue Klassifizierung im Durchschnitt 50 Prozent der Klassen jeden Elternteils. Mehrere Rekombinationen können vorgesehen sein. Bevorzugt werden Mutationen und Rekombinationen gemischt.
In einer vorteilhaften Weiterbildung der Erfindung werden die Klassen der Klassifizierungen, insbesondere der innerhalb des evolutionären Algorithmus neu erzeugten Klassifizierungen, geordnet.
Dadurch wird vorteilhafterweise eine bijektive Abbildung (englisch: One-to-One Mapping) zwischen der Klassifizierung und ihrer Ordnung der Klassen ermöglicht. Mit anderen Worten erfolgt eine Neuordnung/Umstellung/Mengenordnung (englisch: Reordering) der Klassenanordnungen innerhalb einer Klassifizierung. Hierbei wird die Neuordnung beziehungsweise neue Nummerierung der Klassen bevorzugt bei jedem neuen Erzeugen von neuen Klassifizierungen durchgeführt, das heißt nach der Initialisierung (erstmaliges Erzeugen der Klassifizierungen) und/oder nach Anwendung eines Suchoperators, insbesondere nach einer Mutation und/oder Rekombination. Eine bevorzugte Neuordnung wird dadurch erreicht, dass die Klassen gemäß der Reihenfolge ihres Auftretens in der Klassifizierung, beispielsweise von rechts nach links, neu geordnet oder nummeriert werden.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird die Abbruchbedingung mittels der Fitnesswerte gebildet.
Mit anderen Worten legen die Fitnesswerte gesamtheitlich fest, wann eine ausreichend vorteilhafte Population (Menge der Klassifizierungen) erreicht ist. Dadurch wird sichergestellt, dass eine Klassifizierung mit einem möglichst hohem Fitnesswert für die Aggregation ermittelt werden kann. Besonders bevorzugt wird die Abbruchbedingung durch den Mittelwert der Fitnesswerte ausgebildet. Ändert sich der Mittelwert der Fitnesswerte über mehrere vergangene Generationen nicht, so wird die Schleife bevorzugt gestoppt und die Aggregation durch die Klassifizierung mit dem höchsten Fitnesswert der aktuellen Generation festgelegt. Alternativ oder ergänzend kann ein Schwellenwert für die Fitnesswerte und/oder für den Mittelwert der Fitnesswerte festgelegt werden. Mit anderen Worten wird die Abbruchbedingung durch den Schwellenwert ausgebildet. Liegt der Mittelwert der Fitnesswerte beispielsweise über den genannten Schwellenwert, so ist die Abbruchbedingung erfüllt und die Schleife des evolutionären Algorithmus stoppt. Vorteilhafterweise kann dadurch eine Klassifizierung mit einem möglichst hohen Fitnesswert in einer angemessenen Rechenzeit ermittelt werden. Weitere Abbruchbedingungen können alternativ oder ergänzend vorgesehen sein. Die Abbruchbedingung ist grundsätzlich eine Art Maß für die Gesamtfitness der Population.
In einer vorteilhaften Weiterbildung der Erfindung wird als Leistungsprofil ein Lastprofil und/oder Erzeugungsprofil des jeweiligen Energiesubsystems verwendet.
Das Leistungsprofil kann grundsätzlich ein Lastprofil, ein Erzeugungsprofil oder ein aus Last und Erzeugung gemischtes Residualprofil sein. Vorliegend wird unter einer Erzeugung ebenfalls eine Bereitstellung verstanden. Mit anderen Worten kann das Leistungsprofil eines Energiespeichers, insbesondere eines Stromspeichers und/oder thermischen Energiespeichers, verwendet werden.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird die ermittelte Aggregation der Leistungsprofile der Energiesubsysteme zur Leistungsprognose, insbesondere für eine Lastprognose und/oder Erzeugungsprognose, des Energiesystems verwendet.
Die aggregierten Leistungsprofile sind besonders für eine Leistungsprognose des Energiesystems, beispielsweise von einem Teil seiner Energiesubsysteme, bevorzugt. Das ist deshalb der Fall, da die Leistungsprofile der Energiesubsysteme nicht zufällig oder nach festgelegten Kriterien aggregiert werden, sondern gemäß ihrer Fitness, das heißt gemäß ihrer Prognosefähigkeit. Dadurch kann ein möglichst vorteilhafter Kompromiss aus Aggregation und Vorhersagbarkeit ermittelt werden.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnungen. Dabei zeigen schematisiert:

1 eine Aggregation gemäß einer Ausgestaltung der vorliegenden Erfindung;
2 ein Flussdiagramm eines evolutionären Algorithmus gemäß einer Ausgestaltung der vorliegenden Erfindung; und
3 eine Ordnung einer Klassifizierung.

Gleichartige, gleichwertige oder gleichwirkende Elemente können in einer der Figuren oder in den Figuren mit denselben Bezugszeichen versehen sein.
Die 1 zeigt eine Aggregation beziehungsweise einen schematischen Ablauf einer Aggregation gemäß einer Ausgestaltung der vorliegenden Erfindung.
Ein Energiesystem 1, beispielsweise eine Gemeinde, ein Stadtteil, ein Gebäudekomplex, eine industrielle Anlage und/oder ein Campus, weist mehrere, vorliegend n Energiesubsysteme 11, auf. Beispielsweise weist ein Stadtteil mehrere Wohngebäude oder ein Gebäudekomplex mehrere Wohnungen auf. Die Energiesubsysteme sind jeweils mit dem Bezugszeichen 11 gekennzeichnet.
Vorliegend wird wenigstens innerhalb eines Zeitbereiches, beispielsweise innerhalb eines Tages mit einer Stundenauflösung oder einer 15-Minuten-Auflösung, eine Messung 6 der jeweiligen Leistung/Energie an jedem der Energiesubsysteme 11 durchgeführt. Dadurch werden n Leistungsprofile bereitgesellt, wobei vorliegend exemplarisch drei dargestellt sind. Die Leistungsprofile beziehungsweise deren Bereitstellung ist mit dem Bezugszeichen 2 gekennzeichnet. Die Messungen können mittels Smart-Meter und/oder mittels eines jeweiligen Energiemanagementsystems erfolgen.
Die Energiesubsysteme 11 können eine Leistung über ein Netz 8, insbesondere ein Stromnetz, ausspeisen (Last) und/oder einspeisen (Bereitstellung oder Erzeugung). Die ausgespeiste und/oder eingespeiste Leistung wird kontinuierlich oder in festen Zeitschritten, beispielsweise alle 15 Minuten oder jede Stunde gemessen, wodurch die Leistungsprofile 2 bereitgestellt werden. Beispielsweise erstrecken sich die Leistungsprofile über einen Tag mit einer Auflösung von 15 Minuten oder einer Stunde. Äquivalent zur Leistung kann die jeweilige erzeugte/bereitgestellte und/oder verbrauchte Energie innerhalb eines Zeitintervalls, beispielswiese innerhalb von 15 Minuten oder einer Stunde gemessen beziehungsweise erfasst werden. Die zugehörige Leistung ergibt sich dann aus der erfassten Energie pro Zeitintervall.
In der 1 sind die gemessenen beziehungsweise erfassten Leistungsprofile 2 jeweils als Kurven innerhalb eines P-t-Diagramms (P Leistung, t Zeit) aufgetragen. Hierbei sind Unterschiede bezüglich ihrer Regelmäßigkeit zu erkennen. Diese Unterschiede entsprechen verschiedenen Vorhersagbarkeiten der Leistungsprofile 2. Beispielsweise ist ein annähernd periodisches Leistungsprofil gut vorhersagbar. Ein Leistungsprofil mit mehreren unregelmäßigen Schwankungen ist schwieriger vorherzusagen. Typischerweise sind die Schwankungen auf Ebene der Energiesubsysteme 11 für eine ausreichend genaue Prognose zu hoch, sodass eine Aggregation 4 erfolgt. Dadurch können Schwankungen reduziert und somit die Vorhersagbarkeit erhöht werden.
Die Aggregation 4 klassifiziert beziehungsweise gruppiert die Energiesubsysteme 11. Mit anderen Worten wird innerhalb der Aggregation 4 jedes der Energiesubsysteme genau einer Klasse 42 beziehungsweise Gruppe zugeordnet. Die Gesamtheit der Klassen bildet eine Klassifizierung 40 aus. Im dargestellten Ausführungsbeispiel umfasst die Klassifizierung 40 der Energiesubsysteme 11 gemäß ihrer Leistungsprofile 2 beziehungsweise die Klassifizierung 40 der Leistungsprofile 2 lediglich zwei Klassen 42, wobei jeder Klasse 42 zwei der dargestellten vier Energiesubsysteme 11 zugeordnet sind.
Die einer Klasse 42 zugeordneten oder zugehörigen Leistungsprofile werden für die Aggregation 4 summiert, wodurch gemittelte beziehungsweise aggregierte Leistungsprofile ausgebildet werden. Eine gewichtete Summe kann vorgesehen sein. Jeder Klasse 42 ist somit ein aggregiertes Leistungsprofil zugeordnet beziehungsweise zugehörig. Es ist ein technischer Zweck der Aggregation 4, Schwankungen der einzelnen Energiesubsysteme 11 zu reduzieren. Mit anderen Worten sollten die aggregierten Leistungsprofile geringere Schwankungen aufweisen, wodurch ihre Vorhersagbarkeit verbessert ist. Somit kann eine Prognose basierend auf den aggregierten Leistungsprofilen zuverlässiger beziehungsweise genauer sein.
In der 1 erfolgt die Aggregation 4 gemäß der vorliegenden Erfindung, das heißt sie erfolgt basierend auf einem Prognosefähigkeitsmaß beziehungsweise auf einer Prognosefähigkeitsfunktion und mittels eines evolutionären Algorithmus. Dadurch kann eine bezüglich ihrer Vorhersagbarkeit möglichst optimale Aggregation 4 ermittelt werden. In diesem Sinne wird eine Klassifizierung 40 mit einer möglichst maximalen Vorhersagbarkeit ermittelt. Diese möglichst optimale Aggregation, die in der Figur der Klassifizierung 40 entspricht, ist das Ergebnis der Aggregation 4. Der evolutionäre Algorithmus ist hierbei deshalb von Vorteil, da die Klassifizierung 40 beziehungsweise Gruppierung im Hinblick auf das Prognosefähigkeitsmaß eine starkes nichtlineares Verhalten zeigt.
Die 2 verdeutlicht ein Flussdiagramm einer Aggregation, insbesondere des hierbei verwendeten evolutionären Algorithmus.
In einem Startschritt S der Aggregation werden die Leistungsprofile der Energiesubsysteme, die beispielsweise mittels einer jeweiligen Messung erfasst wurden, bereitgestellt.
In einem Initialisierungsschritt I erfolgt basierend auf den bereitgestellten Leistungsprofilen eine initiale beziehungsweise anfängliche Klassifizierung der Energiesubsysteme beziehungsweise der Leistungsprofile. Mit anderen Worten werden die Energiesubsysteme beziehungsweise ihre Leistungsprofile in mehrere Klassen, vorliegend in m Klassen, eingeteilt beziehungsweise diesen zugeordnet. Jedem Energiesubsystem ist genau ein Leistungsprofil zugeordnet, sodass eine Klassifizierung der Energiesubsysteme und eine Klassifizierung der Leistungsprofile äquivalent ist. Jeder Klasse der initialen Klassifizierung ist somit keines der, eines oder mehrere der Leistungsprofile zugeordnet. Die initiale Klassifizierung wird bevorzugt mittels einer zufälligen Zuordnung/Einteilung der Leistungsprofile beziehungsweise der Energiesubsysteme zu den m Klassen durchgeführt.
Durch diese zufällige Einteilung der Energiesubsysteme in m disjunkte Klassen wird eine mögliche Klassifizierung, die einer möglichen Aggregation entspricht, erzeugt. Im Initialisierungsschritt I werden weiterhin mehrere solcher möglichen Klassifizierungen, insbesondere zufällig, erzeugt. Diese Gesamtheit an erzeugten initialen Klassifizierungen bildet die initiale Population im Sinne des evolutionären Algorithmus aus. Die Klassifizierungen sind somit die Individuen der Population. Die initiale Population wird somit mittels zufällig erzeugter Individuen erzeugt.
In einem Evaluationsschritt L1 wird die initiale Population beziehungsweise werden die Klassifizierungen bewertet. Hierzu ist ein Bewertungsmaß erforderlich, welches quantifiziert, wie fit ein Individuum, das heißt eine Klassifizierung, im Hinblick auf den evolutionären Algorithmus, ist. Je fitter ein Individuum desto wahrscheinlicher finden sich seine Eigenschaften beziehungsweise Klassen in kommenden Generation wieder.
Gemäß der vorliegenden Erfindung wird zunächst in einem ersten Teilschritt L1a jeder Klasse jeder Klassifizierung ein Prognosefähigkeitswert zugeordnet. Anschließend wird in einem zweiten Teilschritt L1b einer Klassifizierung beziehungsweise einem Individuum ein Fitnesswert durch die Summe der Prognosefähigkeitswerte seiner Klassen zugeordnet. Mit anderen Worten wird jeder Klassifizierung beziehungsweise jedem Individuum eine Gesamtprognosefähigkeit zugeordnet. Die Klassifizierungen werden somit im obenstehend genannten Sinne nach ihrer Prognosefähigkeit bewertet. Ein Individuum beziehungsweise eine Klassifizierung ist umso fitter, je höher ihre Gesamtprognosefähigkeit, das heißt je höher ihre Vorhersagbarkeit ist. Das Bewertungsmaß beziehungsweise das Auswahlkriterium des evolutionären Algorithmus wird somit durch die Vorhersagbarkeit ausgebildet. Entscheidend hierfür ist die Zuordnung des Prognosefähigkeitswertes zu jeder Klasse.
Der Prognosefähigkeitswert einer Klasse wird mittels des der Klasse zugeordnet aggregierten Leistungsprofils berechnet. Das aggregierte Leistungsprofil ist hierbei die Summe der der Klasse zugeordneten Leistungsprofile der Energiesubsysteme. Hierbei kann eine gewichtete Summe vorgesehen sein. Wird die Summe gleichmäßig gewichtet, so entspricht das aggregierte Leistungsprofil dem Mittelwert der Leistungsprofile.
Für die Berechnung oder Ermittlung des Prognosefähigkeitswertes einer Klasse mittels des der Klasse zugeordneten beziehungsweise zugehörigen aggregierten Leistungsprofils wird die zeitliche Autokorrelation des aggregierten Leistungsprofils berechnet. Die Autokorrelation kann für ein zeitdiskretes aggregiertes P̅_k;t Leistungsprofil (für k = 1, ..., m Energiesubsysteme zum Zeitpunkt t) durch γ _P _k(r) = E[(P _k;t - µ _P _k) (P _k;t-r - µ _P _k)] für r ∈ ℤ (englisch: Lag) ermittelt werden, wobei E den Erwartungswert und µ _P _k den zeitlichen Mittelwert des aggregierten Leistungsprofils P̅_k;t bezeichnet.
Mittels der berechneten Autokorrelation wird die spektrale Dichte S _P _k(ω) des aggregierten Leistungsprofils durch $S_{{\bar{P}}_{k}} (ω) = \frac{1}{2 π} \sum_{r = - \infty}^{\infty} γ_{{\bar{P}}_{k}} (r) e^{i r ω}, ω \in [- π, π]$
berechnet, wobei $i = \sqrt{- 1}$
die imaginäre Einheit bezeichnet. Die auf die Varianz normierte spektrale Dichte ƒP _k(ω) = S _P _k(ω)/Var(P _k) bildet eine Wahrscheinlichkeitsdichtefunktion aus, mittels welcher der Prognosefähigkeitswert ermittelt werden kann. Insbesondere gilt 0 ≤ ƒ _P _k(ω) ≤ 1 sowie ∫ƒ _P _k(ω)dω = 1, wie für eine Wahrscheinlichkeitsdichtefunktion erforderlich. Beispielsweise ergibt sich für ein aggregiertes Leistungsprofil, welches als weißes Rauschen ausgebildet ist, die konstante normierte spektrale Dichte beziehungsweise Wahrscheinlichkeitsdichtefunktion ƒ _P _k(ω) = 1/(2π). Für ein sinusbeziehungsweise cosinusförmiges Signal beziehungsweise aggregiertes Leistungsprofil P̅_k;t = A · cos(2πft + θ) mit θ~U{—π,π) und ƒ ~p_P
k(ω) unabhängig von θ, also mit einer zufälligen Frequenz gemäß der Wahrscheinlichkeitsverteilung p _P _k(ω), gilt ƒ _P _k(ω) = p _P _k(ω). Die Unsicherheit einer Prognose resultiert hierbei ausschließlich von der Wahrscheinlichkeitsverteilung p _P _k(ω).
Basierend auf der Wahrscheinlichkeitsdichtefunktion ƒ _P _k(ω) wird die Shannon-Entropie des aggregierten Leistungsprofils mittels $H_{a} ({\bar{P}}_{k}) = - {\int ƒ}_{{\bar{P}}_{k}} (ω) {log}_{a} ƒ_{{\bar{P}}_{k}} (ω) d ω$
berechnet. Die Shannon-Entropie beziehungsweise der Logarithmus ist zur Basis a gebildet. Die Shannon-Entropie ist ein Maß für den Informationsgehalt des aggregierten Leistungsprofils. Ein hoher Informationsgehalt entspricht einer hohen Zufälligkeit des aggregierten Leistungsprofils, sodass dessen Vorhersagbarkeit gering ist. Informationsgehalt und Vorhersagbarkeit stehen sich somit sinnbildlich entgegen. Es ist daher von besonderem Vorteil, die Prognosefähigkeit des aggregierten Leistungsprofils durch Ω(P̅_k) = 1 - H_a(P̅_k)/max (H_a(P̅_k)) zu definieren beziehungsweise zu berechnen. Hierbei bezeichnet max(H_a(P̅_k)) das Maximum der Shannon-Entropie über alle möglichen aggregierten Leistungsprofile. Das Maximum der Shannon-Entropie ist durch ein als weißes Rauschen ausgebildete aggregiertes Leistungsprofil bestimmt, sodass max(H_a(P̅_k)) = log_a(2π) gilt, da vorliegend |[—π,π]| = 2π ist.
Das Maß Ω(P̅_k) = 1 - H_a(P̅_k)/max (H_a(P̅_k)) = 1 - H_2π(P̅_k) quantifiziert somit in besonders vorteilhafterweise die Prognosefähigkeit des aggregierten Leistungsprofils. Es gilt 0 ≤ Ω(P̅_k) ≤ 1. Das aggregierte Leistungsprofil ist besonders gut vorhersagbar, wenn sein Prognosefähigkeitswert Ω(P̅_k) annähernd 1 ist. Das aggregierte Leistungsprofil ist schlecht vorhersagbar, das heißt dieses weist einen hohen Zufall auf, falls Ω(P̅_k) annähernd 0 ist.
Jeder Klasse einer Klassifizierung wird ein wie obenstehend berechneter Prognosefähigkeitswert zugeordnet. Der Klassifizierung wird mittels der Summe ihrer Prognosefähigkeitswerte ihr Fitnesswert zugeordnet. Mit andere Worten gilt für den Fitnesswert einer der Klassifizierungen F = ∑ _P _k:P _k∈K̂Ω(P _k), wobei über alle Klassen der Klassifizierung K summiert wird. Der Fitnesswert F ist somit ein Maß für die Gesamtprognosefähigkeit der Klassifizierung und somit der Aggregation. Dies wird im Evaluationsschritt L1 für alle Klassifizierungen durchgeführt. Mit anderen Worten weist jede Klassifizierung einen solchen Fitnesswert auf. Einer leeren Klasse wird der Fitnesswert 0 zugeordnet.
In einem Terminierungsschritt T wird geprüft, ob ein Abbruchkriterium erfüllt ist. Das Abbruchkriterium ist insbesondere mittels der Gesamtheit der Fitnesswerte gebildet, beispielsweise mittels des Mittelwertes der Fitnesswerte.
Ist das Abbruchkriterium erfüllt, so wird die finale Aggregation durch die Klassifizierung mit dem höchsten Fitnesswert und somit mit der vergleichsweise besten Vorhersagebarkeit festgelegt. Dadurch endet beziehungsweise stoppt der evolutionäre Algorithmus (Ende E).
Ist hingegen das Abbruchkriterium nicht erfüllt, so werden die k fittesten Individuen, das heißt die Klassifizierungen mit den k höchsten Fitnesswerten, ermittelt. Diese Selektion ist mit dem Bezugszeichen L2 gekennzeichnet.
Innerhalb des weiteren Schrittes L3 werden aus den k selektierten Individuen neue Klassifizierungen aus den bisherigen erzeugt. Mit anderen Worten wird aus der bisherigen Population im Schritt L3 eine neue Population erzeugt. Diese neue Population bildet im Sinne des evolutionären Algorithmus die Nachkommen der k fittesten Individuen aus. Mit anderen Worten dürfen sich lediglich die k fittesten Individuen fortpflanzen.
Die Nachkommen beziehungsweise die neuen Klassifizierungen werden mittels Suchoperatoren L3b und L3c aus den k fittesten Klassifizierungen erzeugt. Hierzu erfolgt in einem Schritt L3a eine Auswahl des Suchoperators, der durchgeführt werden soll. Vorliegend kann eine Mutation L3b oder eine Rekombination L3c durchgeführt werden.
Bei einer Mutation L3b wird die neue Klassifizierung aus der bisherigen durch eine zufällige Änderung einer Zugehörigkeit eines Leistungsprofils zu einer Klasse der Klassifizierung erzeugt.
Die Mutation beziehungsweise ein Mutationsereignis soll für acht Energiesubsysteme 1,...,8 in drei Klassen 1,...,3 verdeutlicht werden. Sei (1,2,2,3,1,2,3,1) eine mögliche Klassifizierung. Diese Schreibweise bedeutet, dass das Energiesubsystem 1 der Klasse 1, das Energiesubsystem 2 der Klasse 2, das Energiesubsystem 3 der Klasse 2, das Energiesubsystem 4 der Klasse 3, das Energiesubsystem 5 der Klasse 1, das Energiesubsystem 6 der Klasse 2, das Energiesubsystem 7 der Klasse 3 und das Energiesubsystem 8 der Klasse 1 zugeordnet ist. Mit anderen Worten ist K₁ = {1,5,8}, K₂ = {2,3,6} und K₃ = {4,7} beziehungsweise in der äquivalenten Notation über die Leistungsprofile P_i der Energiesubsysteme K₁ = {P_1; P₅, P₈}, K₂ = {P₂,P₃,P₆} und K₃ = {P₄, P₇}, wobei K_k die Klasse k bezeichnet. Jeder Klasse K_k ist mittels ihrer Leistungsprofile ein aggregiertes Leistungsprofil P̅_k, beispielsweise durch P̅_k = ∑_{P
i:P
i∈K
k}P_i, zugeordnet. Vorliegend ist das aggregierte Leistungsprofil P̅₁ = P₁ +P₅ +P₈ der ersten Klasse K₁, das aggregierte Leistungsprofil P̅₂ = P₂ +P₃ +P₆ der zweiten Klasse K₂ und das aggregierte Leistungsprofil P̅₃ = P₄ + P₇ der dritten Klasse K₃ zugeordnet. Die erste Klasse K₁ weist die Prognosefähigkeit Ω(K₁) = Ω(P̅₁) = Ω(P₁ + P₅ +P₈), die zweite Klasse K₂ die Prognosefähigkeit Ω(K₂) = Ω(P₂) = Ω(P₂ +P₃+ P₆) und die dritte Klasse K₃ die Prognosefähigkeit Ω(K₃) = Ω(P̅₃) = Ω(P̅₄ +P₇) auf.
Eine Mutation beziehungsweise ein Mutationsereignis ändert nun zufällig die Zugehörigkeit eines Energiesubsystems beziehungsweise eines Leistungsprofils zu einer Klasse. Beispielsweise ist (1,2,2,3,1,2,3,1) →(1,2,1,3,1,2,3,1) ein solches Mutationsereignis. Hierbei wurde das Energiesubsystem 3, welches ursprünglich der Klasse 2 zugeordnet war, durch die Mutation der Klasse 1 neu zugeordnet. Dadurch bildet sich eine neue Klassifizierung aus. Hierbei kann ein Energiesubsystem zufällig gewählt werden und zufällig wieder einer der Klassen zugeordnet werden. Mehrere Mutationen L3b können hintereinander und/oder parallel auf der Menge der k fittesten Klassifizierungen vorgesehen sein.
Bei einer Rekombination L3c wird aus zwei bisherigen Klassifizierungen (Eltern) eine neue Klassifizierung ermittelt. Hierbei werden die bisherigen Klassifizierungen mit einer Wahrscheinlichkeit von 50 % zu 50 % gemischt. Mit anderen Worten weist die neue Klassifizierung mit einer Wahrscheinlichkeit von 50 % die Klasse des einen oder anderen Elternteils auf. Sind beispielsweise (1,2,2,3,1,2,3,1) und (1,1,1,2,3,1,2,2) die bisherigen Klassifizierungen (Eltern), so könnte eine Rekombination die neue Klassifizierung (1,2,2,3,1,1,3,2) als Nachkomme erzeugen. Mehrere Rekombinationen L3c können hintereinander und/oder parallel auf der Menge der k fittesten Klassifizierungen vorgesehen sein.
Zusammenfassend wird durch die Anwendung der Suchoperatoren L3b und L3c gegebenenfalls zusammen mit bisherigen Klassifizierungen eine neue Population erzeugt, die wiederum dem Evaluationsschritt zugeführt wird. Dadurch beginnt die Schleife des evolutionären Algorithmus von vorn. Die genannte Schleife L wird solange durchlaufen, bis das Abbruchkriterium erfüllt ist. Ist das Abbruchkriterium erfüllt, so wird die finale Aggregation durch die Klassifizierung mit dem höchsten Fitnesswert und somit mit der vergleichsweise besten Vorhersagebarkeit festgelegt.
Die 3 zeigt eine Ordnung einer Klassifizierung 40, die vorteilhafterweise immer dann angewendet wird, wenn die Klassifizierung 40, beispielsweise durch die Suchoperatoren, neu erzeugt wurde.
Die Anwendung der Suchoperatoren führt typischerweise zu einer nicht geordneten Klassifizierung, wobei sich die Ordnung auf die Reihenfolge, vorliegend von rechts nach links, der Nummerierung der Klassen 42 bezieht. Die Nummerierung/Bezeichnung der Klassen 42 ist grundsätzlich ohne Bedeutung. Mit anderen Worten spielt es keine Rolle, ob eine Klasse 42 als erste oder beispielsweise als zweite Klasse bezeichnet wird.
Grundsätzlich kann jede Ordnung gewählt werden. Es ist aber von Vorteil die Klassen 42 gemäß ihres Auftretens innerhalb der Klassifizierung zu ordnen beziehungsweise zu nummerieren.
Im dargestellten Ausführungsbeispiel ist die Klassifizierung 40 (2,1,1,3,2,1,3,2) der Energiesubsysteme 11 (1,...,8) des Energiesystems 1 somit nicht geordnet, da die Klasse 2 an erster Stelle steht. Für eine vorteilhafte Anordnung sollte die Klasse 1 zuerst auftreten, gefolgt von Klasse 2 und 3. Es erfolgt daher vorteilhafterweise ein Ordnen der Klassen 41 der Klassifizierung 40 durch (2,1,1,3,2,1,3,2) → (1,2,2,3,1,2,3,1), das heißt durch eine Umbenennung der Klasse 2 als Klasse 1 und der Klasse 1 als Klasse 2 oder durch ein Austauschen der ersten und zweiten Klasse. Somit ist (1,2,2,3,1,2,3,1) die geordnete Klassifizierung 40' der nicht geordneten Klassifizierung 40.
Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt oder andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
Bezugszeichenliste

1: Energiesystem
2: Leistungsprofile
4: Aggregation
6: Messung
8: Stromnetz
11: Energiesubsysteme
40, 40': Klassifizierung
42, 42': Klassen
S: Startschritt
I: Initialisierungsschritt
L: Schleife
L1: Evaluierungsschritt
T: Terminierungsschritt
L2: Selektionsschritt
L3: Erzeugungsschritt
L3a: Auswahl Suchoperator
L3b: Mutation
L3c: Rekombination
E: Ende

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

EP 3518369 A1 [0005]

Claims

Verfahren zur Ermittlung einer Aggregation (4) von Leistungsprofilen P₁,...,P_n (2) von n Energiesubsystemen (11) eines Energiesystems (1) zu m<n aggregierten Leistungsprofilen P̂₁, ..., P̂_m (2), insbesondere für eine Leistungsprognose, wobei hierzu eine Klassifizierung (40) der Energiesubsysteme (11) erfolgt, und jeder der m Klassen (42) einer der Klassifizierungen (40) eines der aggregierten Leistungsprofile P̂₁,...,P̂_m (2) zugeordnet wird, gekennzeichnet durch die folgenden Schritte: - (I) Erzeugen von mehreren initialen Klassifizierungen (40), wobei jede Klassifizierung (40) disjunkte Klassen (42) der n Leistungsprofile P₁,...,P_n (2) aufweist; - (L) Bereitstellen eines evolutionären Algorithmus mit Suchoperatoren, wobei die folgenden Schritte bis zum Erfüllen einer Abbruchbedingung wiederholt werden: - (L1a) Berechnen eines Prognosefähigkeitswertes fl für jede Klasse (42) jeder Klassifizierung (40) mittels einer Summe der der jeweiligen Klasse (42) zugehörigen Leistungsprofile (2); - (L1b) Berechnen eines Fitnesswertes der Klassifizierung mittels einer Summe der Prognosefähigkeitswerte Ω der Klassifizierung (40) für jede Klassifizierung (40); - (L2) Selektion von k Klassifizierungen (40) mit den k größten Fitnesswerten; und - (L3) Erzeugen von neuen Klassifizierungen (40) mittels der Suchoperatoren auf der Menge der selektierten k Klassifizierungen (40); - (T) Festlegen der aggregierten Leistungsprofile P̅₁,...,P̅_m (2) durch die Klassifizierung (40) mit dem größten Fitnesswert.
Verfahren gemäß Anspruch 1, gekennzeichnet dadurch, dass das Erzeugen (I) der initialen Klassifizierungen (40) durch ein zufälliges Zuordnen der Leistungsprofile P₁,...,P_n zu den Klassen (42) erfolgt.
Verfahren gemäß Anspruch 1 oder 2, gekennzeichnet dadurch, dass der Prognosefähigkeitswert Ω mittels Ω = 1 -H_a ermittelt wird, wobei H_a den Wert der normalisierten Shannon-Entropie zur Basis a des der Klasse (42) zugeordneten aggregierten Leistungsprofils (2) bezeichnet.
Verfahren gemäß Anspruch 3, gekennzeichnet dadurch, dass die Shannon-Entropie mittels der spektralen Dichte des jeweiligen aggregierten Leistungsprofils P̂₁,...,P̂_m (2) ermittelt wird.
Verfahren gemäß Anspruch 4, gekennzeichnet dadurch, dass die spektrale Dichte mittels der Autokorrelation des jeweiligen aggregierten Leistungsprofils P ₁,...,P _m, (2) ermittelt wird.
Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass als Suchoperatoren eine Mutation und/oder eine Rekombination verwendet werden.
Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die Klassen (42) der Klassifizierungen (40), insbesondere der innerhalb des evolutionären Algorithmus neu erzeugten Klassifizierungen (40), geordnet werden.
Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die Abbruchbedingung mittels der Fitnesswerte gebildet wird.
Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass als Leistungsprofil ein Lastprofil und/oder Erzeugungsprofil des jeweiligen Energiesubsystems verwendet wird.
Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die ermittelte Aggregation (4) der Leistungsprofile der Energiesubsysteme (11) zur Leistungsprognose, insbesondere für eine Lastprognose und/oder Erzeugungsprognose, des Energiesystems (1) verwendet wird.
Verfahren zur Leistungsprognose eines Energiesystems (1) mit mehreren Energiesubsystemen (11), wobei jedes der Energiesubsysteme (11) ein Leistungsprofil P₁,...,P_n bereitstellt, und die Leistungsprognose basierend auf einer Aggregation (4) der Leistungsprofile P₁,...,P_n erfolgt, gekennzeichnet dadurch, dass die Aggregation (4) mittels einem Verfahren gemäß einem der vorhergehenden Ansprüche erfolgt.
Verfahren gemäß Anspruch 11, gekennzeichnet dadurch, dass die Leistungsprognose mittels eines Energiemanagementsystems des Energiesystems (1) erfolgt.