EP2954467A1 - Verfahren und vorrichtung zur steuerung einer mit einer erneuerbaren energiequelle betreibbaren energieerzeugungsanlage - Google Patents

Verfahren und vorrichtung zur steuerung einer mit einer erneuerbaren energiequelle betreibbaren energieerzeugungsanlage

Info

Publication number
EP2954467A1
EP2954467A1 EP13802316.3A EP13802316A EP2954467A1 EP 2954467 A1 EP2954467 A1 EP 2954467A1 EP 13802316 A EP13802316 A EP 13802316A EP 2954467 A1 EP2954467 A1 EP 2954467A1
Authority
EP
European Patent Office
Prior art keywords
output
input
energy
data
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP13802316.3A
Other languages
English (en)
French (fr)
Inventor
Martin Bischoff
Terrence Chen
Ralph Grothmann
Oliver Hennig
Johann Kim
Eberhard Ritzhaupt-Kleissl
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of EP2954467A1 publication Critical patent/EP2954467A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Definitions

  • the present invention relates to a method and a device for controlling a power generating plant which can be operated with a renewable energy source.
  • renewable energy generation systems are being used more and more frequently.
  • the energy yield of such power generation plants depends strongly on external variables, in particular on weather conditions. It is therefore of such regenerative energy generation plants desirable to predict the future generated Energymen ⁇ ge suitable, to thereby schedule the Energyeinspei ⁇ solution of such a power generation plant, and thus the loading ⁇ drove a power grid better.
  • An object of the invention is therefore to improve the control of a renewable energy source operable power plant.
  • a method for controlling a power generating plant operable with a renewable energy source is proposed.
  • a computer-aided generation of a prognosis is made about an energy yield of the energy generation plant for a predefined prognosis period and a given area using a learning system with an input vector and an output vector.
  • the output vector includes one or more operation ⁇ sizes of the power generation plant for a plurality of on ⁇ successive future points in time of the predetermined forecast period.
  • the input vector comprises one or more input variables influencing the operating variable or operating variables for a time from a plurality of times of a predetermined observation period.
  • the input quantities comprise at least three of the following data for the given observation period and the given area: weather data; first be ⁇ riding asked by means of a satellite image data of a Wolkenzugs; second means provided ei ⁇ ner floor camera image data of the Wolkenzugs; and by a physical model to simulate the energy output of the energy generation plant using the Wet ⁇ ter Scheme generated simulation data. Furthermore, in the method, the power generation plant is controlled based on the generated prognosis such that weather-related
  • the operable with a renewable energy source energy ⁇ generation plant is for example a power plant or a hybrid power plant such as a photovoltaic power plant or a solar thermal power plant.
  • a learning system is a system that can adapt its properties depending on its inputs and outputs. It is thus possible, for example, to train a learning system by means of a set of training data to recognize certain predefined or automatically determinable patterns or generalizable structures in the training data. After learning such a learning system able to recognize to be determined pattern or generalisierba ⁇ ren structures in other data as the training data and adorn these other data according to classifi ⁇ is.
  • the operating parameters of the power generation plant is in ⁇ play as generated by the power generation plant amounts of energy.
  • the method makes it possible to predict the amount of energy to be generated in the future in order to better plan the energy supply of such a power generation plant and thus the operation of a power grid. Furthermore, the method allows, the power generation plant ⁇ based on the generated prediction to such steu ⁇ ren that weather-related variations in the energy output of the power generation plant are reduced or are prevented.
  • Another advantage of the method is the possible ⁇ ness, to use at least three different data sources to be generated prognosis.
  • the advantages of the different data sources can be, such as the accuracy and / or fault tolerance combine a ⁇ of individual measuring points, time horizon or temporal resolu ⁇ solution.
  • the generated forecast is thus more accurate and stable than when using only one or only two data sources.
  • the input vector is compressed by a Hauptkomponentenana ⁇ analysis of the components of the learning system prior to generating the forecast.
  • Principal Component Analysis is a statistics technique for lossless compression of the data included in the input vector. Particularly advantageous is the use of a non-linear principal component analysis, which is realized in the form of a learning system, for example a neural network. In this way even very large input vectors can be processed efficiently and quickly.
  • the learning system is formed by a number n of neural networks.
  • Neural networks are universal function approximators, whose structure was chosen on the basis of biological nerve cells.
  • Neural networks are particularly suitable for the control and regulation of technical installations such as the power generation plant. suitable. It is possible to replace conventional regulators with neural networks or to specify desired values which a neural network has determined from the generated prognosis. Thus, it is also possible to control the power generation plant based on the generated forecast such that weather-related fluctuations in the energy yield of the energy ⁇ generation plant are further reduced. Neural networks also make it possible to minimize forecasting errors over time and thus to improve the ultimately generated prognosis.
  • the n neural networks may have identical or different architectures.
  • the input vector for the i-th neural network comprises, ie with [l, ..., n], to ⁇ addition to those input variables, the output vector of the (i-1) - th neural network.
  • the learning system consists of a sequence intrinsically ⁇ permanent, self-learning sub-systems in the form of neural networks.
  • each subsystem receives the generated forecast of the respective preceding subsystem as further input data. In this way, the prediction errors of the preceding subsystems can be reduced by the respectively subsequent subsystem.
  • each of the n neural networks is formed as an artificial neural feed-forward network with a plurality of interconnected layers comprising an input layer, a plurality of hidden layers
  • the Einga ⁇ coating contains a number of input neurons to describe the input vectors and wherein a respective Ver ⁇
  • the output layer comprises a number of output neurons for describing the output vectors, and wherein the output layer comprises a plurality of output clusters corresponding to the plurality of hidden layers, each of one or more output neurons, each output chandelier same output vector and connected to another hidden layer.
  • Each of the n neural networks thus represents a special Va ⁇ riante a feed-forward network.
  • a feed-forward network is characterized in that a plurality of superimposed lie ⁇ constricting neuron layers in a processing direction of lower of higher layers via suitable weights in Form of weight matrices are coupled together, wherein the neurons within a layer have no connections with each other.
  • Each of the n neural networks is characterized in that the output layer comprises a plurality of output clusters corresponding to the plurality of hidden layers, each comprising one or more output neurons, each output clusters describing the same output vector and connected to another hidden layer. It is thus an output of each hidden layer associated cluster, said hidden layer being ge ⁇ coupled with that output cluster. Consequently, separate output clusters are created which independently of one another in the neural network describe the same operating variables of the power generation plant.
  • the hidden layers lying below the uppermost hidden layer are connected not only to a higher hidden layer but also to an output cluster of the output layer.
  • additional error information is supplied to the output layer, so that a suitably trained neural network can better predict the size of the power plant.
  • the input vector is associated with each hidden layer.
  • the data comprised of the input variables is provided individually for each of the n neural networks.
  • Each sub-system therefore has specific characteristics of the input variables as input data. For example, corresponding to input variables for the first sub-system of a high temporal resolution of the observed meteorological data, which ultimately lead to a short-term prognosis, whereas the input ⁇ sizes correspond to the second sub-system of a low temporal resolution of the observed weather data and thus a lead long-term forecast.
  • High temporal resolu ⁇ solution means, for example, one minute or Stun ⁇ -precise temporal resolution while low temporal resolution, for example, means a day precise resolution.
  • an order of the n neural networks can be predetermined.
  • a sorting of the sub-systems according to the input data makes it possible to further improve the quality of the generated forecast.
  • multiple times performing the step of generating a Prog ⁇ nose to generate multiple projections, whereby in each case a different forecast period and / or a different observation period is set for generating a respective prognosis.
  • the merging of the multiple generated forecasts into a combined forecast takes place.
  • the merging of the multiple generated forecasts is performed by a weighted summation.
  • weighted summation allows equal weighting of each of the multiple forecasts generated.
  • the merging of the multiple generated forecasts is effected by a further neural network.
  • a neural network is particularly suitable for processing and evaluating statistical data such as observed weather data.
  • the merged forecast can be further improved.
  • the first and / or the second image data comprise image features provided by pattern recognition.
  • Pattern recognition is a particularly suitable method for ⁇ From evaluation of images.
  • the image features provided by the pattern recognition represent a summary of the relevant information in the image data, thereby making the process more efficient.
  • a computer program product such as a computer program means can be provided or supplied, for example, as a storage medium, such as a memory card, USB stick, CD-ROM, DVD or even in the form of a downloadable file from a server in a network. This can be done, for example, in a wire-less ⁇ communication network by the transmission of a corresponding file with the computer program product or computer program means.
  • a program- controlled device is in particular a ⁇ as described below ⁇ ne device in question.
  • the device comprises a Prog ⁇ nose-generating means for generating a prediction of an energy yield of the power generation plant for a specified differently surrounded forecast period and a predetermined area using a learning system with an input vector and an output vector.
  • the output vector includes one or more operating quantities of the power plant for a plurality of consecutive future times of the predetermined forecast period.
  • the input vector um- summarizes one or more, the operation amount or Radio Fund ⁇ SEN affecting input variables for a time from egg ⁇ ner plurality of time points of a predetermined observation period.
  • the input quantities comprise at least three of the following data for the given observation period and the given area:
  • the device further comprises a control means for
  • the device makes it possible to predict the future generated Ener ⁇ giemenge suitable, thereby thus be able to plan the operation of a power grid better the energy feed of such a power generation plant and. Furthermore, it enables the device to control the power generating installation based on the generated prediction such that weather-related variations of the Energyertra ⁇ ges the power generation plant are reduced.
  • the respective means forecasting generating means and Steue ⁇ insurance agents can also be implemented using software, hardware and / or electronically.
  • the respective unit may be embodied as a device or as part of a device, for example as a computer or as a microprocessor.
  • the respective unit as a computer program product, as a function, as a routine, be formed as part of a program code or as an executable object.
  • Figure 2 is a block diagram of an embodiment of an apparatus for controlling an operable with a source of renewable energy power generating installation.
  • FIG. 3 is a block diagram of a first embodiment of a learning system for a method of controlling a renewable energy source power plant.
  • FIG. 4 is a block diagram of a second embodiment of a learning system for a method for controlling a power generating plant operable with a renewable energy source;
  • FIG. 5 is a block diagram of a third embodiment of a learning system for a method of controlling a renewable energy source power plant.
  • FIG. 1 shows a flowchart of an embodiment of a method for controlling a power generating plant which can be operated with a renewable energy source.
  • a prognosis is made about an energy yield of the energy generation plant for a predefined prognosis period and a predefined area using a learning system with an input vector and an output vector.
  • the output vector includes one or more operating quantities of the power plant for a plurality of consecutive future times of the predetermined forecast period. Includes the Eingabevek- tor one or more, the operating variable or operating variables influencing Be ⁇ input variables for a time of a plurality of points in time a predetermined observation period.
  • the input variables include Minim ⁇ least three of the following data for the predetermined observation period and the predetermined tung-Area: weather data; ers ⁇ te, provided by means of a satellite image data of a cloud of clouds; second image data of the cloud train provided by a ground camera; and simulation data generated by a physical model for simulating the energy yield of the power generation plant using the weather data.
  • a control of the power generating plant is based on the generated forecast ⁇ art that weather-related variations in the energy output of the power generation plant are reduced.
  • FIG. 2 shows a block diagram of one embodiment of a device 212 for controlling a renewable energy source power plant.
  • the device 212 comprises a prognosis generating means 213 for generating a prognosis about an energy yield of the energy generating plant for a predefined prognosis period and a given area as well as a control means 214 for controlling the energy generating plant based on the generated prognosis.
  • Fig. 3 shows a block diagram of a first game personssbei ⁇ a learning system for a process for a Steue- tion with a renewable energy source operable power generation plant.
  • the learning system 205 has an input vector 206 and ei ⁇ NEN output vector 207.
  • the input vector 206 comprises a plurality of the operating variable or operating variables 208, the power generating installation affecting input variables for a time of a plurality of points in time a predetermined observation period.
  • the input parameters include data such as the weather data 201, first image data 202 and second image data 203.
  • first image data 202 is provided by means of a satellite image data of a cloud ⁇ train.
  • the second image data 203 is provided by means of a bottom camera image data of the clouds ⁇ train.
  • the input parameters include simulation data 204.
  • the simulation data 204 are thereby produces by a physical model to simulate the energy output Ener ⁇ gieer Wegungsstrom using the weather data two hundred and first
  • the data 201-204 first learn a treatment.
  • the cloud images recorded by the satellite and the ground camera are subjected to pattern recognition.
  • the image features or image data provided by the pattern recognition is a summary of the relevant information contained in the clouds images with respect to the weather conditions of the predetermined area.
  • These data 201-204 form the input for the learning system 205.
  • the output of the learning system 205 forms the output vector 207 with the operating variables 208.
  • the output vector 207 thus serves to generate the forecast 209.
  • the simulation data 204 it is possible to use the simulation data 204 alternatively or in addition to the input to the learning system 205 for a correction of the generated prognosis 209, indicated by the dashed arrow in FIG. 3. Thus it is possible, possibly improbable or implausible prognosis results by the simulation data 204.
  • 4 shows a block diagram of a second embodiment of a learning system for a method of controlling a renewable energy source power plant.
  • the learning system 205 comprises two neural networks 210, 211. Each of the two neural networks 210, 211 has as input the input vector 206.
  • the two neural networks 210, 211 use the same input vector 206.
  • each of the two neural networks 210, 211 has its own input vector as an input, wherein, for example, the input vector for the first neural network 210 comprises data of a low temporal resolution of the observed weather data while the input vector for the second neural network 211 comprises data of a higher temporal resolution of the observed weather data.
  • the second neural network 211 receives the output vector of the first neural network 210 as input.
  • FIG. 4 thus represents a corrective system.
  • This system consists of a sequence of independent self-learning subsystems in FIG. 4
  • Each sub-system can have as input data separate data sources in the sense of the above-described, different forms of data 201-204 comprising input vectors.
  • each subsystem receives the prediction of the predecessor system in the form of the respective output vector as further input data. In this way, prediction errors of the predecessor systems can be reduced by the respective subsequent subsystem.
  • a sorting of the subsystems according to the input data for example, in terms of their quality, their time horizon or their temporal resolution.
  • FIG. 5 shows a block diagram of a third exemplary embodiment of a learning system for a method for controlling tion of a renewable energy source.
  • each of the two learning ⁇ systems 205 has as input data, the data 201-204 of the input vector 206th
  • each of the two learning systems 205 can have as input data separate data sources in the sense of the above-described, different forms of data 201- 204 comprising input vectors.
  • the output vectors 207 of each of the two learning systems 205 are merged into a merged forecast 209.
  • the merging can take place for example by a weighted summation or by another learning system such as a neural network. It is also possible to select one of the two forecasts of the independent learning systems 205 based on one of the two output vectors 207 according to specific criteria.
  • Such learning overall system is thus able, egg ⁇ ne overall forecast 209 to determine and learn the conditions under which that forecast has the highest probability.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Image Analysis (AREA)

Abstract

Es werden ein Verfahren und eine Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage vorgeschlagen. Bei dem Verfahren erfolgt ein Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose-Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebsgroßen der Energieerzeugungsanlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevektor umfasst eine oder mehrere, die Betriebsgröße oder Betriebsgrößen beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen mindestens drei Daten für den vorgegebenen Beobachtungs-Zeitraum und das vorgegebene Gebiet. Weiterhin erfolgt bei dem Verfahren ein Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose derart, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind. Dadurch wird es möglich, die Energieerzeugungsanlage basierend auf der erzeugten Prognose derart zu steuern, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind.

Description

Beschreibung
Verfahren und Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage. Im Bereich der elektrischen Energieerzeugung werden immer häufiger regenerative Energieerzeugungsanlagen eingesetzt. Der Energieertrag solcher Energieerzeugungsanlagen hängt dabei stark von externen Größen, insbesondere von Wetterbedingungen ab. Es ist daher für derartige regenerative Energieer- zeugungsanlagen erwünscht, die zukünftig erzeugte Energiemen¬ ge geeignet vorherzusagen, um hierdurch die Energieeinspei¬ sung einer solchen Energieerzeugungsanlage und somit den Be¬ trieb eines Stromnetzes besser planen zu können. Eine Aufgabe der Erfindung ist es demnach, die Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage zu verbessern.
Demgemäß wird ein Verfahren zur Steuerung einer mit einer er- neuerbaren Energiequelle betreibbaren Energieerzeugungsanlage vorgeschlagen. Bei dem Verfahren erfolgt ein rechnergestütztes Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose- Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebs¬ größen der Energieerzeugungsanlage für eine Mehrzahl von auf¬ einander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevektor umfasst eine oder meh- rere, die Betriebsgröße oder Betriebsgrößen beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen mindestens drei der folgenden Daten für den vorgegebenen Beobachtungs-Zeitraum und das vorgegebene Gebiet: Wetterdaten; erste, mittels eines Satelliten be¬ reitgestellte Bilddaten eines Wolkenzugs; zweite, mittels ei¬ ner Bodenkamera bereitgestellte Bilddaten des Wolkenzugs; und durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanlage unter Verwendung der Wet¬ terdaten erzeugte Simulationsdaten. Weiterhin erfolgt bei dem Verfahren ein Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose derart, dass Wetter-bedingte
Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind.
Die mit einer erneuerbaren Energiequelle betreibbare Energie¬ erzeugungsanlage ist beispielsweise ein Kraftwerk oder ein Hybridkraftwerk wie ein Photovoltaikkraftwerk oder ein Solarthermiekraftwerk .
Ein lernendes System ist ein System, das seine Eigenschaften in Abhängigkeit seiner Ein- und Ausgaben anpassen kann. So ist es beispielsweise möglich, ein lernendes System mittels einer Menge von Trainingsdaten daraufhin zu trainieren, bestimmte vorgegebene oder automatisch zu bestimmende Muster oder generalisierbare Strukturen in den Trainingsdaten zu erkennen. Nach der Lernphase ist ein solches lernendes System in der Lage, die zu bestimmenden Muster oder generalisierba¬ ren Strukturen auch in anderen Daten als den Trainingsdaten zu erkennen und diese anderen Daten entsprechend zu klassifi¬ zieren . Die Betriebsgrößen der Energieerzeugungsanlage sind bei¬ spielsweise durch die Energieerzeugungsanlage generierte Energiemengen .
Das Verfahren ermöglicht es, die zukünftig erzeugte Energie- menge geeignet vorherzusagen, um hierdurch die Energieeinspeisung einer solchen Energieerzeugungsanlage und somit den Betrieb eines Stromnetzes besser planen zu können. Weiterhin ermöglicht es das Verfahren, die Energieerzeugungs¬ anlage basierend auf der erzeugten Prognose derart zu steu¬ ern, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind bzw. verhindert sind.
Ein weiterer Vorteil des Verfahrens besteht in der Möglich¬ keit, zumindest drei unterschiedliche Datenquellen für die zu erzeugende Prognose zu verwenden. Auf diese Weise lassen sich die Vorteile der unterschiedlichen Datenquellen, wie beispielsweise die Genauigkeit und/oder die Fehlertoleranz ein¬ zelner Messpunkte, zeitlicher Horizont oder zeitliche Auflö¬ sung, vereinen. Die erzeugte Prognose ist somit genauer und stabiler als bei der Verwendung von nur einer oder nur zwei Datenquellen.
In Ausführungsformen des Verfahrens wird der Eingabevektor vor dem Erzeugen der Prognose durch eine Hauptkomponentenana¬ lyse der Komponenten des lernenden Systems komprimiert.
Die Hauptkomponentenanalyse (Principal Component Analysis) ist ein Statistik-Verfahren zur verlustfreien Kompression der von dem Eingabevektor umfassten Daten. Besonders vorteilhaft ist die Verwendung einer nichtlinearen Principal Component Analysis, die in Form eines lernenden Systems, beispielsweise eines neuronalen Netzes, realisiert wird. Auf diese Weise können auch sehr große Eingabevektoren effizient und schnell verarbeitet werden. In weiteren Ausführungsformen des Verfahrens wird das lernende System durch eine Anzahl n neuronaler Netze gebildet.
Neuronale Netze sind universelle Funktionsapproximatoren, de¬ ren Struktur in Anlehnung an biologische Nervenzellen gewählt wurde .
Neuronale Netze sind besonders für die Steuerung und Regelung von technischen Anlagen wie der Energieerzeugungsanlage ge- eignet. Es ist möglich, herkömmliche Regler durch neuronale Netze zu ersetzen oder ihnen Sollwerte vorzugeben, die ein neuronales Netz aus der erzeugten Prognose ermittelt hat. Somit ist es weiterhin möglich, die Energieerzeugungsanlage basierend auf der erzeugten Prognose derart zu steuern, dass Wetter-bedingte Schwankungen des Energieertrages der Energie¬ erzeugungsanlage noch weiter vermindert sind. Neuronale Netze ermöglichen es zudem, Prognosefehler über die Zeit zu minimieren und somit die letztlich erzeugte Prognose zu verbessern.
Die n neuronalen Netze können identische oder unterschiedli- che Architekturen aufweisen.
In weiteren Ausführungsformen des Verfahrens umfasst der Eingabevektor für das i-te neuronale Netz, mit ie[l,...,n], zu¬ sätzlich zu den Eingangsgrößen den Ausgabevektor des (i-1)- ten neuronalen Netzes.
Das lernende System besteht somit aus einer Sequenz eigen¬ ständiger, selbstlernender Sub-Systeme in Form von neuronalen Netzen. Zusätzlich zu den von dem jeweiligen Eingabevektor umfassten Eingangsgrößen erhält jedes Sub-System mit Ausnahme des ersten Sub-Systems die erzeugte Prognose des jeweiligen vorhergehenden Sub-Systems als weitere Eingangsdaten. Auf diese Weise können die Prognosefehler der vorhergehenden Sub- Systeme durch das jeweils nachfolgende Sub-System reduziert werden.
In weiteren Ausführungsformen des Verfahrens ist jedes der n neuronalen Netze als künstliches neuronales Feed-Forward-Netz mit mehreren miteinander verbundenen Schichten ausgebildet, welche eine Eingabeschicht, eine Mehrzahl von versteckten
Schichten und eine Ausgabeschicht umfassen, wobei die Einga¬ beschicht eine Anzahl von Eingangsneuronen zur Beschreibung der Eingabevektoren enthält und wobei eine jeweilige ver- steckte Schicht eine Anzahl von versteckten Neuronen enthält und wobei die Ausgabeschicht eine Anzahl von Ausgabeneuronen zur Beschreibung des Ausgabevektoren enthält, und wobei die Ausgabeschicht eine der Mehrzahl von versteckten Schichten entsprechende Mehrzahl von Ausgabeclustern aus jeweils einem oder mehreren Ausgabeneuronen umfasst, wobei jeder Ausgabec- luster den gleichen Ausgabevektor beschreibt und mit einer anderen versteckten Schicht verbunden ist. Jedes der n neuronalen Netze stellt somit eine spezielle Va¬ riante eines Feed-Forward-Netzes dar. Ein Feed-Forward-Netz ist dadurch charakterisiert, dass mehrere übereinander lie¬ gende Neuronenschichten in einer Verarbeitungsrichtung von tieferen zu höheren Schichten über geeignete Gewichte in der Form von Gewichtsmatrizen miteinander gekoppelt sind, wobei die Neuronen innerhalb einer Schicht keine Verbindungen untereinander aufweisen.
Jedes der n neuronalen Netze zeichnet sich dadurch aus, dass die Ausgabeschicht eine der Mehrzahl von versteckten Schichten entsprechende Mehrzahl von Ausgabeclustern aus jeweils einem oder mehreren Ausgabeneuronen umfasst, wobei jeder Aus- gabecluster den gleichen Ausgabevektor beschreibt und mit einer anderen versteckten Schicht verbunden ist. Es ist somit jeder versteckten Schicht ein Ausgabecluster zugeordnet, wobei die versteckte Schicht nur mit diesem Ausgabecluster ge¬ koppelt ist. Es werden folglich separate Ausgabecluster geschaffen, welche im neuronalen Netz unabhängig voneinander die gleichen Betriebsgrößen der Energieerzeugungsanlage be- schreiben.
Im Unterschied zu herkömmlichen Feed-Forward-Netzen sind im erfindungsgemäßen neuronalen Netz die unterhalb der obersten versteckten Schicht liegenden versteckten Schichten nicht nur mit einer höheren versteckten Schicht, sondern auch mit einem Ausgabecluster der Ausgabeschicht verbunden. Hierdurch wird der Ausgabeschicht zusätzliche Fehlerinformation zugeführt, so dass ein entsprechend trainiertes neuronales Netz die Be- triebsgrößen der Energieerzeugungsanlage besser vorhersagen kann. Der Eingabevektor ist mit jeder versteckten Schicht verbunden . In weiteren Ausführungsformen des Verfahrens werden die von den Eingangsgrößen umfassten Daten für jedes der n neuronalen Netze individuell bereitgestellt.
Jedes Sub-System hat als Eingangsdaten somit bestimmte Aus- prägungen der Eingangsgrößen. Beispielsweise entsprechen die Eingangsgrößen für das erste Sub-System einer hohen zeitlichen Auflösung der beobachteten Wetterdaten, die im Ergebnis zu einer kurzfristigen Prognose führen, während die Eingangs¬ größen für das zweite Sub-System einer geringen zeitlichen Auflösung der beobachteten Wetterdaten entsprechen und somit zu einer langfristigen Prognose führen. Hohe zeitliche Auflö¬ sung bedeutet dabei beispielsweise eine Minuten- oder Stun¬ den-genaue zeitliche Auflösung, während geringe zeitliche Auflösung beispielsweise eine Tage-genaue Auflösung bedeutet.
In weiteren Ausführungsformen des Verfahrens ist eine Reihenfolge der n neuronalen Netze vorgebbar.
Eine Sortierung der Sub-Systeme entsprechend der Eingangsda- ten, beispielsweise hinsichtlich der Qualität, dem zeitlichen Horizont oder der zeitlichen Auflösung der von den Eingangsgrößen umfassten Daten, ermöglicht es, die Qualität der erzeugten Prognose weiter zu verbessern. In weiteren Ausführungsformen des Verfahrens erfolgt ein mehrfaches Ausführen des Schrittes des Erzeugens einer Prog¬ nose zur Erzeugung mehrerer Prognosen, wobei für das Erzeugen einer jeweiligen Prognose jeweils ein anderer Prognose- Zeitraum und/oder ein anderer Beobachtungszeitraum vorgegeben wird.
Auf diese Weise können mehrere unterschiedliche Prognosen er¬ zeugt werden. In weiteren Ausführungsformen des Verfahrens erfolgt ein Zusammenführen der mehreren erzeugten Prognosen zu einer zusammengeführten Prognose.
Durch das Zusammenführen der mehreren erzeugten Prognosen zu einer zusammengeführten Prognose ist es möglich, die Qualität der letztlich erzeugten, zusammengeführten Prognose weiter zu verbessern .
In weiteren Ausführungsformen des Verfahrens erfolgt das Zusammenführen der mehreren erzeugten Prognosen durch eine gewichtete Summenbildung. Eine gewichtete Summenbildung erlaubt es beispielsweise, jede der mehreren erzeugten Prognosen gleich zu gewichten. Es ist jedoch auch möglich, eine oder mehrere der mehreren erzeugten Prognosen stärker zu gewichten als andere, um den Einfluss der jeweiligen Prognosen auf die zusammengeführte Prognose zu verstärken. Auf diese Weise lassen sich beispielsweise Prog¬ nosen, die auf genaueren oder zuverlässigen Daten beruhen, stärker gewichten, als solche Prognosen, die auf ungenaueren oder weniger zuverlässigen Daten beruhen, ohne dass auf die Nutzung der ungenaueren oder weniger zuverlässigen Daten ver- ziehtet werden muss.
In weiteren Ausführungsformen des Verfahrens erfolgt das Zusammenführen der mehreren erzeugten Prognosen durch ein weiteres neuronales Netzwerk.
Ein neuronales Netzwerk ist besonders zur Aufbereitung und Auswertung statistischer Daten wie beobachteter Wetterdaten geeignet. Somit kann die zusammengeführte Prognose nochmals verbessert werden.
In weiteren Ausführungsformen des Verfahrens umfassen die ersten und/oder die zweiten Bilddaten mittels einer Mustererkennung bereitgestellte Bildmerkmale. Mustererkennung ist eine besonders geeignete Methode zur Aus¬ wertung von Bildern. Die mittels der Mustererkennung bereitgestellten Bildmerkmale stellen eine Zusammenfassung der re- levanten Informationen in den Bilddaten dar, wodurch das Verfahren effizienter gestaltet wird.
Weiterhin wird ein Computerprogrammprodukt vorgeschlagen, welches auf einer programmgesteuerten Einrichtung die Durch- führung eines entsprechenden Verfahrens veranlasst.
Ein Computerprogramm-Produkt wie ein Computerprogramm-Mittel kann beispielsweise als Speichermedium, wie Speicherkarte, USB-Stick, CD-ROM, DVD oder auch in Form einer herunterladba- ren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. Dies kann zum Beispiel in einem draht¬ losen Kommunikationsnetzwerk durch die Übertragung einer entsprechenden Datei mit dem Computerprogramm-Produkt oder dem Computerprogramm-Mittel erfolgen. Als programmgesteuerte Ein- richtung kommt insbesondere eine wie im Folgenden beschriebe¬ ne Vorrichtung in Frage.
Ferner wird ein Datenträger mit einem gespeicherten Computerprogramm mit Befehlen vorgeschlagen, welche die Durchführung eines entsprechenden Verfahrens auf einer programmgesteuerten Einrichtung veranlasst.
Des Weiteren wird eine Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeu- gungsanlage vorgeschlagen. Die Vorrichtung umfasst ein Prog¬ nose-Erzeugungsmittel zum Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgege¬ benen Prognose-Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebsgrößen der Energieerzeugungsanlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevektor um- fasst eine oder mehrere, die Betriebsgröße oder Betriebsgrö¬ ßen beeinflussende Eingangsgrößen für einen Zeitpunkt aus ei¬ ner Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs- Zeitraums. Die Eingangsgrößen umfassen mindestens drei der folgenden Daten für den vorgegebenen Beobachtungs-Zeitraum und das vorgegebene Gebiet:
- Wetterdaten,
- erste, mittels eines Satelliten bereitgestellte Bild¬ daten eines Wolkenzugs,
- zweite, mittels einer Bodenkamera bereitgestellte
Bilddaten des Wolkenzugs, und
- durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanlage unter Ver¬ wendung der Wetterdaten erzeugte Simulationsdaten.
Die Vorrichtung umfasst weiterhin ein Steuerungsmittel zum
Steuern der Energieerzeugungsanlage basierend auf der erzeug¬ ten Prognose derart, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind. Die Vorrichtung ermöglicht es, die zukünftig erzeugte Ener¬ giemenge geeignet vorherzusagen, um hierdurch die Energieeinspeisung einer solchen Energieerzeugungsanlage und somit den Betrieb eines Stromnetzes besser planen zu können. Weiterhin ermöglicht es die Vorrichtung, die Energieerzeu¬ gungsanlage basierend auf der erzeugten Prognose derart zu steuern, dass Wetter-bedingte Schwankungen des Energieertra¬ ges der Energieerzeugungsanlage vermindert sind. Das jeweilige Mittel, Prognose-Erzeugungsmittel und Steue¬ rungsmittel, kann hardwaretechnisch und/oder auch softwaretechnisch implementiert sein. Bei einer hardwaretechnischen Implementierung kann die jeweilige Einheit als Vorrichtung oder als Teil einer Vorrichtung, zum Beispiel als Computer oder als Mikroprozessor ausgebildet sein. Bei einer software¬ technischen Implementierung kann die jeweilige Einheit als Computerprogrammprodukt, als eine Funktion, als eine Routine, als Teil eines Programmcodes oder als ausführbares Objekt ausgebildet sein.
Weitere mögliche Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Verfahrensschritte, Merkmale oder Ausführungsformen des Ver¬ fahrens oder der Vorrichtung. Dabei wird der Fachmann auch Einzelaspekte als Verbesserungen oder Ergänzungen zu der jeweiligen Grundform der Erfindung hinzufügen oder abändern.
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden.
Dabei zeigen:
Fig. 1 ein Ablaufdiagramm eines Ausführungsbeispiels eines
Verfahrens zur Steuerung einer mit einer erneuerba¬ ren Energiequelle betreibbaren Energieerzeugungsanlage ;
Fig. 2 ein Blockschaltdiagramm eines Ausführungsbeispiels einer Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeu¬ gungsanlage ;
Fig. 3 ein Blockdiagramm eines ersten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage ;
Fig. 4 ein Blockdiagramm eines zweiten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage; und
Fig. 5 ein Blockdiagramm eines dritten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage.
In den Figuren sind gleiche oder funktionsgleiche Elemente mit denselben Bezugszeichen versehen worden, sofern nichts anderes angegeben ist.
Fig. 1 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage.
In einem ersten Schritt S101 erfolgt ein Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose-Zeitraum und ein vorgegebenes Ge- biet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebsgrößen der Energieerzeugungsanlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevek- tor umfasst eine oder mehrere, die Betriebsgröße oder Be¬ triebsgrößen beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen mindes¬ tens drei der folgenden Daten für den vorgegebenen Beobach- tungs-Zeitraum und das vorgegebene Gebiet: Wetterdaten; ers¬ te, mittels eines Satelliten bereitgestellte Bilddaten eines Wolkenzugs; zweite, mittels einer Bodenkamera bereitgestellte Bilddaten des Wolkenzugs; und durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanla- ge unter Verwendung der Wetterdaten erzeugte Simulationsdaten . In einem zweiten Schritt S102 erfolgt ein Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose der¬ art, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind.
Fig. 2 zeigt ein Blockschaltdiagramm eines Ausführungsbeispiels einer Vorrichtung 212 zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage .
Die Vorrichtung 212 umfasst ein Prognose-Erzeugungsmittel 213 zum Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose- Zeitraum und ein vorgegebenes Gebiet sowie ein Steuerungsmit- tel 214 zum Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose.
Fig. 3 zeigt ein Blockdiagramm eines ersten Ausführungsbei¬ spiels eines lernenden Systems für ein Verfahren zur Steue- rung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage .
Das lernende System 205 hat einen Eingabevektor 206 sowie ei¬ nen Ausgabevektor 207. Der Eingabevektor 206 umfasst mehrere, die Betriebsgröße oder Betriebsgrößen 208 der Energieerzeu¬ gungsanlage beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen dabei Daten wie Wetterdaten 201, erste Bilddaten 202 sowie zweite Bildda- ten 203. Bei den ersten Bilddaten 202 handelt es sich um mittels eines Satelliten bereitgestellte Bilddaten eines Wolken¬ zugs. Bei den zweiten Bilddaten 203 handelt es sich um mittels einer Bodenkamera bereitgestellte Bilddaten des Wolken¬ zugs. Weiterhin umfassen die Eingangsgrößen Simulationsdaten 204. Die Simulationsdaten 204 werden dabei durch ein physikalisches Modell zur Simulation des Energieertrages der Ener¬ gieerzeugungsanlage unter Verwendung der Wetterdaten 201 erzeugt . Die Daten 201-204 erfahren zunächst eine Aufbereitung. Beispielsweise werden die von dem Satelliten und von der Bodenkamera aufgenommenen Wolkenbilder einer Mustererkennung un- terzogen. Die mittels der Mustererkennung bereitgestellten Bildmerkmale oder Bilddaten stellen eine Zusammenfassung der in den Wolkenbildern enthaltenen relevanten Informationen bezüglich der Wetterbedingungen des vorgegebenen Gebietes dar. Im Anschluss an die Aufbereitung liegt eine Menge charakte¬ ristischer, numerischer Werte als jeweilige Daten 201-204 vor. Diese Daten 201-204 bilden die Eingabe für das lernende System 205. Die Ausgabe des lernenden Systems 205 bildet der Ausgabevektor 207 mit den Betriebsgrößen 208. Der Ausgabevek- tor 207 dient somit der Erzeugung der Prognose 209.
Es ist möglich, die Simulationsdaten 204 alternativ oder zusätzlich zur Eingabe in das lernende System 205 zu einer Korrektur der erzeugten Prognose 209 zu verwenden, angedeutet durch den gestrichelten Pfeil in Fig. 3. Somit ist es möglich, gegebenenfalls unwahrscheinliche oder nicht plausible Prognose-Ergebnisse durch die Simulationsdaten 204 zu korrigieren . Fig. 4 zeigt ein Blockdiagramm eines zweiten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage . In dem dargestellten Ausführungsbeispiel umfasst das lernende System 205 zwei neuronale Netze 210, 211. Jedes der beiden neuronalen Netze 210, 211 hat als Eingabe den Eingabevektor 206. Im vorliegenden Fall verwenden somit die beiden neuronalen Netze 210, 211 denselben Eingabevektor 206.
Es ist auch denkbar, dass jedes der beiden neuronalen Netze 210, 211 einen eigenen Eingabevektor als Eingabe hat, wobei zum Beispiel der Eingabevektor für das erste neuronale Netz 210 Daten einer geringen zeitlichen Auflösung der beobachteten Wetterdaten umfasst, während der Eingabevektor für das zweite neuronale Netz 211 Daten einer höheren zeitlichen Auflösung der beobachteten Wetterdaten umfasst. Dies entspricht einer individuellen Bereitstellung der von den Eingangsgrößen umfassten Daten 201-204 für jedes der beiden neuronalen Netze 210, 211.
Zusätzlich zu den Daten 201-204 des Eingabevektors erhält das zweite neuronale Netz 211 den Ausgabevektor des ersten neuronalen Netzes 210 als Eingabe.
Das in Fig. 4 dargestellte Ausführungsbeispiel stellt somit ein korrigierendes System dar. Dieses System besteht aus ei- ner Sequenz eigenständiger selbstlernender Sub-Systeme in
Form der beiden neuronalen Netze 210, 211. Jedes Sub-System kann als Eingangsdaten separate Datenquellen im Sinne der oben dargestellten, unterschiedliche Ausprägungen von Daten 201-204 umfassenden Eingabevektoren haben. Zusätzlich bekommt jedes Sub-System mit Ausnahme des ersten die Prognose des Vorgängersystems in Form des jeweiligen Ausgabevektors als weitere Eingangsdaten übergeben. Auf diese Weise können Prognosefehler der Vorgängersysteme durch das jeweils nachfolgende Sub-System reduziert werden.
Zur Verbesserung der Prognose-Qualität kann eine Sortierung der Sub-Systeme entsprechend der Eingangsdaten zum Beispiel hinsichtlich ihrer Qualität, ihres zeitlichen Horizonts oder ihrer zeitlichen Auflösung erfolgen.
Nach jeder Anwendung eines der Sub-Systeme oder neuronalen Netze 210, 211 steht eine eigenständige Prognose in Form des jeweiligen Ausgabevektors 207 zur Verfügung. Es ist daher nicht notwendig, die gesamte Kaskade von neuronalen Netzen 210, 211 zu durchlaufen.
Fig. 5 zeigt ein Blockdiagramm eines dritten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steue- rung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage .
In diesem dritten Ausführungsbeispiel werden zwei eigenstän- dige lernende Systeme 205 verwendet. Jedes der beiden lernen¬ den Systeme 205 hat als Eingangsdaten die Daten 201-204 des Eingangsvektors 206.
Alternativ kann auch hier jedes der beiden lernenden Systeme 205 als Eingangsdaten separate Datenquellen im Sinne der oben dargestellten, unterschiedliche Ausprägungen von Daten 201- 204 umfassenden Eingabevektoren haben.
Die Ausgabevektoren 207 jedes der beiden lernenden Systeme 205 werden zu einer zusammengeführten Prognose 209 zusammengeführt. Die Zusammenführung kann dabei beispielsweise durch eine gewichtete Summenbildung oder durch ein weiteres lernendes System wie beispielsweise ein neuronales Netz erfolgen. Möglich ist auch ein Auswählen einer der beiden Prognosen der eigenständigen lernenden Systeme 205 basierend auf einem der beiden Ausgabevektoren 207 nach bestimmten Kriterien.
Ein solches lernendes Gesamtsystem ist somit in der Lage, ei¬ ne Gesamtprognose 209 zu bestimmen und zu lernen, unter wel- chen Bedingungen welche Prognose die höchste Wahrscheinlichkeit besitzt.
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele einge¬ schränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .

Claims

Patentansprüche
1. Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage, mit den
Schritten:
- Erzeugen (S101) einer Prognose (209) über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prog¬ nose-Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems (205) mit einem Eingabevektor (206) und einem Ausgabevektor (207), wobei der Ausgabevektor (207) eine oder mehrere Betriebsgrößen (208) der Energieerzeugungs¬ anlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums umfasst, und wobei der Eingabevektor (206) eine oder mehrere, die Be- triebsgröße oder Betriebsgrößen (208) beeinflussende Ein¬ gangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums umfasst, wobei die Eingangsgrößen mindestens drei der folgenden Daten (201-204) für den vorgegebenen Beobachtungs-Zeitraum und das vorgegebene Gebiet umfassen:
- Wetterdaten (201) ,
- erste, mittels eines Satelliten bereitgestellte Bild¬ daten (202) eines Wolkenzugs,
- zweite, mittels einer Bodenkamera bereitgestellte Bilddaten (203) des Wolkenzugs, und
- durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanlage unter Ver¬ wendung der Wetterdaten (201) erzeugte Simulationsdaten (204), und
- Steuern (S102) der Energieerzeugungsanlage basierend auf der erzeugten Prognose (209) derart, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind.
2. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
dass der Eingabevektor (206) vor dem Erzeugen der Prognose (209) durch eine Hauptkomponentenanalyse der Komponenten des lernenden Systems (205) komprimiert wird.
3. Verfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet,
dass das lernende System (205) durch eine Anzahl n neuronaler Netze (210,211) mit je einem Eingabevektor (206) und einem Ausgabevektor (207) gebildet wird.
4. Verfahren nach Anspruch 3,
dadurch gekennzeichnet,
dass der Eingabevektor (206) für das i-te neuronale Netz
(211), mit ie[l,..., n] , zusätzlich zu den Eingangsgrößen den Ausgabevektor (207) des (i-l)-ten neuronalen Netzes (210) um- fasst . 5. Verfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet,
das jedes der n neuronalen Netze (210,211) als künstliches neuronales Feed-Forward-Netz mit mehreren miteinander verbundenen Schichten ausgebildet ist, welche eine Eingabeschicht, eine Mehrzahl von versteckten Schichten und eine Ausgabeschicht umfassen, wobei die Eingabeschicht eine Anzahl von Eingangsneuronen zur Beschreibung der Eingabevektoren (206) enthält und wobei eine jeweilige versteckte Schicht eine An¬ zahl von versteckten Neuronen enthält und wobei die Ausgabe- schicht eine Anzahl von Ausgabeneuronen zur Beschreibung der Ausgabevektoren (207) enthält, und wobei die Ausgabeschicht eine der Mehrzahl von versteckten Schichten entsprechende Mehrzahl von Ausgabeclustern aus jeweils einem oder mehreren Ausgabeneuronen umfasst, wobei jeder Ausgabecluster den glei- chen Ausgabevektor (207) beschreibt und mit einer anderen versteckten Schicht verbunden ist.
6. Verfahren nach einem der Ansprüche 3 bis 5,
dadurch gekennzeichnet,
dass die von den Eingangsgrößen umfassten Daten (201-204) für jedes der n neuronalen Netze (210,211) individuell bereitge- stellt werden.
7. Verfahren nach einem der Ansprüche 3 bis 6,
dadurch gekennzeichnet,
dass eine Reihenfolge der n neuronalen Netze (210,211) vorge- geben wird.
8. Verfahren nach einem der vorstehenden Ansprüche,
gekennzeichnet durch
mehrfaches Ausführen des Schrittes des Erzeugens (S101) einer Prognose (209) zur Erzeugung mehrerer Prognosen (209), wobei für das Erzeugen (S101) einer jeweiligen Prognose (209) jeweils ein anderer Prognose-Zeitraum und/oder ein anderer Beobachtungszeitraum vorgegeben wird. 9. Verfahren nach Anspruch 8,
dadurch gekennzeichnet,
dass ein Zusammenführen der mehreren erzeugten Prognosen (209) zu einer zusammengeführten Prognose (209) erfolgt 10. Verfahren nach Anspruch 9,
dadurch gekennzeichnet,
dass das Zusammenführen der mehreren erzeugten Prognosen (209) durch eine gewichtete Summenbildung erfolgt. 11. Verfahren nach Anspruch 9,
dadurch gekennzeichnet,
dass das Zusammenführen der mehreren erzeugten Prognosen (209) durch ein weiteres neuronales Netzwerk erfolgt. 12. Verfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet, dass die ersten und/oder die zweiten Bilddaten (202,203) mittels einer Mustererkennung bereitgestellte Bildmerkmale um¬ fassen . 13. Computerprogrammprodukt, welches die Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 12 auf einer pro¬ grammgesteuerten Einrichtung veranlasst.
14. Datenträger mit einem gespeicherten Computerprogramm mit Befehlen, welche die Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 12 auf einer programmgesteuerten Einrichtung veranlasst.
15. Vorrichtung (212) zur Steuerung einer mit einer erneuer- baren Energiequelle betreibbaren Energieerzeugungsanlage, mit :
- einem Prognose-Erzeugungsmittel (213) zum Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose-Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems mit einem
Eingabevektor und einem Ausgabevektor, wobei der Ausgabevektor eine oder mehrere Betriebsgrößen der Energieerzeugungsanlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums umfasst, und wobei der Eingabevektor eine oder mehrere, die Betriebsgröße oder Betriebsgrößen beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebe¬ nen Beobachtungs-Zeitraums umfasst, wobei die Eingangsgrößen mindestens drei der folgenden Daten für den vorgegebenen Beo- bachtungs-Zeitraum und das vorgegebene Gebiet umfassen:
- Wetterdaten,
- erste, mittels eines Satelliten bereitgestellte Bild¬ daten eines Wolkenzugs,
- zweite, mittels einer Bodenkamera bereitgestellte Bilddaten des Wolkenzugs, und
- durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanlage unter Ver¬ wendung der Wetterdaten erzeugte Simulationsdaten, und - einem Steuerungsmittel (214) zum Steuern der Energieerzeu¬ gungsanlage basierend auf der erzeugten Prognose derart, dass Wetter-bedingte Schwankungen des Energieertrages der Energie¬ erzeugungsanlage vermindert sind.
EP13802316.3A 2013-02-05 2013-12-03 Verfahren und vorrichtung zur steuerung einer mit einer erneuerbaren energiequelle betreibbaren energieerzeugungsanlage Withdrawn EP2954467A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361760766P 2013-02-05 2013-02-05
PCT/EP2013/075305 WO2014121863A1 (de) 2013-02-05 2013-12-03 Verfahren und vorrichtung zur steuerung einer mit einer erneuerbaren energiequelle betreibbaren energieerzeugungsanlage

Publications (1)

Publication Number Publication Date
EP2954467A1 true EP2954467A1 (de) 2015-12-16

Family

ID=49726744

Family Applications (1)

Application Number Title Priority Date Filing Date
EP13802316.3A Withdrawn EP2954467A1 (de) 2013-02-05 2013-12-03 Verfahren und vorrichtung zur steuerung einer mit einer erneuerbaren energiequelle betreibbaren energieerzeugungsanlage

Country Status (4)

Country Link
US (1) US9853592B2 (de)
EP (1) EP2954467A1 (de)
CN (1) CN105164593A (de)
WO (1) WO2014121863A1 (de)

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10303035B2 (en) 2009-12-22 2019-05-28 View, Inc. Self-contained EC IGU
US8213074B1 (en) 2011-03-16 2012-07-03 Soladigm, Inc. Onboard controller for multistate windows
US20130271813A1 (en) 2012-04-17 2013-10-17 View, Inc. Controller for optically-switchable windows
US10690540B2 (en) 2015-10-06 2020-06-23 View, Inc. Multi-sensor having a light diffusing element around a periphery of a ring of photosensors
US11592723B2 (en) 2009-12-22 2023-02-28 View, Inc. Automated commissioning of controllers in a window network
US11314139B2 (en) 2009-12-22 2022-04-26 View, Inc. Self-contained EC IGU
US10533892B2 (en) 2015-10-06 2020-01-14 View, Inc. Multi-sensor device and system with a light diffusing element around a periphery of a ring of photosensors and an infrared sensor
US9412290B2 (en) 2013-06-28 2016-08-09 View, Inc. Controlling transitions in optically switchable devices
US11054792B2 (en) 2012-04-13 2021-07-06 View, Inc. Monitoring sites containing switchable optical devices and controllers
US9778532B2 (en) 2011-03-16 2017-10-03 View, Inc. Controlling transitions in optically switchable devices
US9454055B2 (en) 2011-03-16 2016-09-27 View, Inc. Multipurpose controller for multistate windows
US11630367B2 (en) 2011-03-16 2023-04-18 View, Inc. Driving thin film switchable optical devices
US9645465B2 (en) 2011-03-16 2017-05-09 View, Inc. Controlling transitions in optically switchable devices
US10935865B2 (en) 2011-03-16 2021-03-02 View, Inc. Driving thin film switchable optical devices
US8705162B2 (en) 2012-04-17 2014-04-22 View, Inc. Controlling transitions in optically switchable devices
US9030725B2 (en) 2012-04-17 2015-05-12 View, Inc. Driving thin film switchable optical devices
CN103987909B (zh) 2011-10-21 2017-03-22 唯景公司 减轻可着色窗中的热冲击
US11950340B2 (en) 2012-03-13 2024-04-02 View, Inc. Adjusting interior lighting based on dynamic glass tinting
US11635666B2 (en) 2012-03-13 2023-04-25 View, Inc Methods of controlling multi-zone tintable windows
US10964320B2 (en) 2012-04-13 2021-03-30 View, Inc. Controlling optically-switchable devices
US10503039B2 (en) 2013-06-28 2019-12-10 View, Inc. Controlling transitions in optically switchable devices
US11300848B2 (en) 2015-10-06 2022-04-12 View, Inc. Controllers for optically-switchable devices
US11674843B2 (en) 2015-10-06 2023-06-13 View, Inc. Infrared cloud detector systems and methods
US9638978B2 (en) 2013-02-21 2017-05-02 View, Inc. Control method for tintable windows
US10048561B2 (en) 2013-02-21 2018-08-14 View, Inc. Control method for tintable windows
RU2017140180A (ru) 2012-04-13 2019-02-12 Вью, Инк. Приложения для управления оптически переключаемыми устройствами
US11966142B2 (en) 2013-02-21 2024-04-23 View, Inc. Control methods and systems using outside temperature as a driver for changing window tint states
US11960190B2 (en) 2013-02-21 2024-04-16 View, Inc. Control methods and systems using external 3D modeling and schedule-based computing
US11719990B2 (en) 2013-02-21 2023-08-08 View, Inc. Control method for tintable windows
US12061404B2 (en) 2013-06-28 2024-08-13 View, Inc. Controlling transitions in optically switchable devices
US9885935B2 (en) 2013-06-28 2018-02-06 View, Inc. Controlling transitions in optically switchable devices
JP6223833B2 (ja) * 2014-01-09 2017-11-01 株式会社東芝 電力系統安定化装置
US10221612B2 (en) 2014-02-04 2019-03-05 View, Inc. Infill electrochromic windows
EP4145379A1 (de) 2014-03-05 2023-03-08 View, Inc. Standortüberwachung mit schaltbaren optischen vorrichtungen und steuerungen
US11566938B2 (en) 2014-09-29 2023-01-31 View, Inc. Methods and systems for controlling tintable windows with cloud detection
CN114019580A (zh) 2014-09-29 2022-02-08 唯景公司 具有可变距离感测的日光强度或云检测
TW202130977A (zh) 2014-09-29 2021-08-16 美商唯景公司 組合式感測器系統
US11781903B2 (en) 2014-09-29 2023-10-10 View, Inc. Methods and systems for controlling tintable windows with cloud detection
KR101641258B1 (ko) * 2014-10-10 2016-07-20 엘지전자 주식회사 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
TWI746446B (zh) 2015-07-07 2021-11-21 美商唯景公司 用於可著色窗戶之控制方法
US11255722B2 (en) 2015-10-06 2022-02-22 View, Inc. Infrared cloud detector systems and methods
EP3368736A4 (de) 2015-10-29 2019-07-03 View, Inc. Steuergeräte für optisch schaltbare vorrichtungen
CA3022490A1 (en) 2016-04-29 2017-11-02 View, Inc. Calibration of electrical parameters in optically switchable windows
US11454854B2 (en) 2017-04-26 2022-09-27 View, Inc. Displays for tintable windows
US11196380B2 (en) * 2017-07-04 2021-12-07 Taiwan Power Company Power generation prediction system and method thereof
EP3506026A1 (de) * 2017-12-29 2019-07-03 Siemens Aktiengesellschaft Verfahren zur rechnergestützten prädiktion von mindestens einer globalen betriebsgrösse eines technischen systems
DE102018222803A1 (de) * 2018-12-21 2020-06-25 Siemens Aktiengesellschaft Verfahren zum Betreiben einer Anlage zur Umwandlung und/oder Speicherung von wenigstens einer Energieform, elektronische Recheneinrichtung zum Durchführen eines Verfahrens sowie Computerprogramm und elektronisch lesbarer Datenträger
TW202206925A (zh) 2020-03-26 2022-02-16 美商視野公司 多用戶端網路中之存取及傳訊
US11631493B2 (en) 2020-05-27 2023-04-18 View Operating Corporation Systems and methods for managing building wellness

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007184354A (ja) 2006-01-05 2007-07-19 Mitsubishi Electric Corp 太陽光発電システム
AU2008356120A1 (en) * 2007-11-07 2009-11-12 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
JP5901293B2 (ja) * 2008-12-03 2016-04-06 ホフマン，ジェームズ ソーラーエネルギー収集システム
US20100198420A1 (en) * 2009-02-03 2010-08-05 Optisolar, Inc. Dynamic management of power production in a power system subject to weather-related factors
US20110231320A1 (en) * 2009-12-22 2011-09-22 Irving Gary W Energy management systems and methods
WO2011124720A2 (en) * 2010-04-09 2011-10-13 Siemens Concentrated Solar Power Ltd. Clouds managing system for a solar field, method for operating the clouds management system and solar field with the clouds managing system
JP2013526824A (ja) * 2010-05-07 2013-06-24 アドバンスド エナージィ インダストリーズ，インコーポレイテッド 太陽光発電予測システム並びに方法
DE102011017694A1 (de) * 2011-04-28 2012-10-31 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Bestimmung einer von einer photovoltaischen Anlage abgegebenen Leistung
US8624411B2 (en) * 2011-10-14 2014-01-07 General Electric Company Power generation system including predictive control apparatus to reduce influences of weather-varying factors
CN102521670A (zh) * 2011-11-18 2012-06-27 中国电力科学研究院 基于气象要素的光伏电站发电输出功率预测方法
CN102567809B (zh) * 2011-11-18 2015-12-16 中国电力科学研究院 光伏电站发电输出功率预测系统
WO2014075108A2 (en) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
US10079317B2 (en) * 2013-07-15 2018-09-18 Constantine Gonatas Device for smoothing fluctuations in renewable energy power production cause by dynamic environmental conditions

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
None *
See also references of WO2014121863A1 *

Also Published As

Publication number Publication date
WO2014121863A1 (de) 2014-08-14
US9853592B2 (en) 2017-12-26
CN105164593A (zh) 2015-12-16
US20150381103A1 (en) 2015-12-31

Similar Documents

Publication Publication Date Title
EP2954467A1 (de) Verfahren und vorrichtung zur steuerung einer mit einer erneuerbaren energiequelle betreibbaren energieerzeugungsanlage
EP3132317B1 (de) Verfahren zur rechnergestützten anlagensteuerungsoptimierung mittels einem simulationsmodul
EP2697695B1 (de) Verfahren zur rechnergestützten generierung eines datengetriebenen modells eines technischen systems, insbesondere einer gasturbine oder windturbine
EP2724296B1 (de) Verfahren zur rechnergestützten modellierung eines technischen systems
EP3529669B1 (de) Verfahren und steuereinrichtung zum steuern eines technischen systems
EP2112568B1 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102012009502A1 (de) Verfahren zum Trainieren eines künstlichen neuronalen Netzes
DE102007001025A1 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
WO2014187828A1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP3429050A1 (de) Verfahren zur regelung der wirkleistungsabgabe eines windparks sowie ein entsprechender windpark
DE102017216634A1 (de) Verfahren und Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie Steuereinrichtung zum Steuern des technischen Systems
WO2021259980A1 (de) Training eines künstlichen neuronalen netzwerkes, künstliches neuronales netzwerk, verwendung, computerprogramm, speichermedium und vorrichtung
DE102011075337A1 (de) Verfahren und Vorrichtung zur Ansteuerung einer Anlage
DE102011079433A1 (de) Ansteuerung eines Rotorblatts einer Windturbine
DE102019206541A1 (de) Verfahren zum Durchführen von computerunterstützten XiL-Simulationen
WO2023072528A1 (de) Verfahren und steuereinrichtung zum steuern eines technischen systems
EP3432093A1 (de) Verfahren zur modellierung eines dynamischen systems durch rechnergestütztes lernen von datengetriebenen modellen
DE102016209721A1 (de) Modellbasierte Ermittlung eines Systemzustandes mittels eines dynamischen Systems
DE102011076969B4 (de) Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems
EP3528063B1 (de) Verfahren zur rechnergestützten erstellung eines prognosemodells zur prognose von einer oder mehreren zielgrössen
DE102019204136A1 (de) Verfahren und Vorrichtung für Training und Herstellung eines künstlichen neuronalen Netzes
EP3489773A1 (de) Verfahren zum rechnergestützten steuern eines technischen systems, insbesondere einer energieerzeugungsanlage
DE102012016066A1 (de) Verfahren zur Steuerung einer Anlage
EP3506026A1 (de) Verfahren zur rechnergestützten prädiktion von mindestens einer globalen betriebsgrösse eines technischen systems
WO2013182176A1 (de) Verfahren zum trainieren eines künstlichen neuronalen netzes und computerprogrammprodukte

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20150703

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20160804

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS AKTIENGESELLSCHAFT

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20200807

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20201218