EP4143938A1 - Verfahren zur leistungsprognose eines energiesystems - Google Patents

Verfahren zur leistungsprognose eines energiesystems

Info

Publication number
EP4143938A1
EP4143938A1 EP21725428.3A EP21725428A EP4143938A1 EP 4143938 A1 EP4143938 A1 EP 4143938A1 EP 21725428 A EP21725428 A EP 21725428A EP 4143938 A1 EP4143938 A1 EP 4143938A1
Authority
EP
European Patent Office
Prior art keywords
classification
energy
classifications
performance
profile
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.)
Pending
Application number
EP21725428.3A
Other languages
English (en)
French (fr)
Inventor
Oliver DÖLLE
Houssame Houmy
Sebastian Schreck
Sebastian THIEM
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 EP4143938A1 publication Critical patent/EP4143938A1/de
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve 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
    • 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
    • Y04S10/40—Display of information, e.g. of data or controls
    • 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 invention relates to a method according to the preamble of claim 1 and a method according to the preamble of claim 11.
  • An energy system typically comprises several energy subsystems, for example residential buildings, commercial buildings, industrial plants and / or decentralized power plants.
  • energy subsystems increasingly include power engineering systems that generate renewable energies, for example photovoltaic systems and / or wind power systems.
  • STFL short-term load forecast
  • a sufficiently precise forecast is advantageous for efficient operation.
  • the participating energy systems can exchange and trade locally generated energy, in particular electrical energy (electricity).
  • the local energy market enables the locally generated energy to be efficiently coordinated with the local energy consumption.
  • a local energy market is therefore particularly advantageous with regard to renewable energies, which are typically obtained locally.
  • renewable energies which are typically obtained locally.
  • a forecast that is as precise as possible is required.
  • a local energy market is known, for example, from the document EP 3518369 A1.
  • An attempt is made to increase the forecast accuracy by aggregating the generation profiles and / or load profiles (performance profiles) of the energy subsystems.
  • the aim of the aggregation is that the individual fluctuations of the energy subsystems weaken, balance and / or average.
  • the disadvantage of an aggregation is that details (information) relating to the respective energy subsystem are lost as a result.
  • the present invention is based on the object of improving a forecast based on aggregated performance profiles by means of an improved aggregation.
  • the energy subsystems are classified, and each of the m classes is one of the classifications of one of the aggregated performance profiles is characterized by at least the following steps: Generating a plurality of initial classifications, each classification having disjoint classes of the n performance profiles P 1 ..., P n ;
  • the method according to the invention and / or one or more functions, features and / or steps of the method according to the invention and / or its configurations can be computer-aided.
  • Energy systems and / or energy subsystems typically include several components that focus on the production (generation), conversion, delivery and / or use of energy, in particular electrical energy (electricity) and / or thermal energy (heat), relate.
  • An energy system or energy subsystem is, for example, a city, a city district, a municipality, a residential building, an office building and / or another commercial building, an industrial plant, a power plant and / or a campus.
  • energy systems or energy subsystems include several energy-technical systems, for example energy conversion systems, consumption systems and / or storage systems.
  • the energy system is a district or a Municipality which comprises several residential buildings and / or office buildings and / or commercially used buildings and / or decentralized power plants, in particular photovoltaic systems, combined heat and power systems and / or waste incineration systems, as energy subsystems.
  • the energy system can furthermore be a building with several units as energy subsystems.
  • a power profile of an energy subsystem characterizes the time dependency or a time profile of the power of the energy subsystem that is provided, in particular obtained, and / or consumed by the energy subsystem.
  • a load (consumption) and a generation within the time range can be present jointly (residual power).
  • a performance profile can be a load profile and / or a generation profile.
  • a performance profile can be present as a time signal, for example as a function, and / or a time-discrete time signal (time series). The performance profile can also be referred to as a signal.
  • the performance profile can be present as a time series or measurement series, in particular in the form of data, and / or analytically, for example as a fitted function.
  • the performance profile or the performance profiles are measurement-based.
  • power refers to energy consumed and / or provided, in particular gained, within a time range.
  • power and energy are equivalent and interchangeable.
  • the power profile is in particular an electrical power profile, that is to say a time dependency of an electrical power, or a thermal power profile, for example with regard to a heating power and / or a cooling power.
  • the prognostic capability value is a value of a prognostic capability function.
  • the forecast capability function has values in the range from 0 to 1.
  • the prognostic capability function can be understood as a measure of prognostic capability.
  • a forecasting capability value close to 1 means that the associated aggregated performance profile has a high forecasting capability. It is therefore easily predictable, for example through its regular behavior.
  • a predictability value close to the value 0 suggests that there is little or no predictability at all.
  • the associated aggregated performance profile shows a high degree of randomness and hardly any or no regular behavior.
  • the predictability is thus a measure of the predictability of the associated aggregated performance profile.
  • several measures i.e. several functional dependencies, are conceivable for quantifying the forecasting capability.
  • a normalization to the value range from 0 to 1 is expedient, although other normalizations can be provided.
  • the fitness value is a value of a fitness function.
  • the evolutionary algorithm typically has such a fitness function that, symbolically with respect to the search operators of the evolutionary algorithm, is a measure of the fitness of each classification.
  • the fitness value is formed by the sum of the forecasting capability values assigned to a classification, so that the fitness value forms an overall or cumulative forecasting capability value of the respective classification.
  • a classification can also be called a grouping, so that the classes form the groups of the grouping.
  • An assignment of an energy subsystem to a class is equivalent to an assignment of the power profile belonging to the energy subsystem or provided by it.
  • the classification is made up of the individuals in the population.
  • the population is formed by all the classifications or by the totality or set of the classifications, that is to say the totality of the individuals.
  • the n performance profiles, in particular load profiles, of the energy subsystems of the energy system are divided into m classes, each class being assigned an aggregated performance profile to one of the classification.
  • the empty class can also be provided, for example if no fixed number of classes is provided.
  • several such classifications with typically at least partially different aggregated performance profiles and thus at least partially different classes are provided, in particular generated.
  • the n performance profiles are grouped into m aggregated performance profiles.
  • An aggregated service profile thus corresponds to a summed up subset / group of the service profiles.
  • the aggregated performance profiles can each be calculated using a sum and / or weighted sum of the performance profiles associated or assigned to the respective class.
  • the set of performance profiles is divided into m disjoint classes for each of the classifications assigned .
  • the classes K of each class are where the classes K of each class
  • each of the classifications is by means of a fit assigned measured value, which is formed from the sum of all forecast capability values of the respective classification.
  • the evolutionary algorithm is used to determine a classification which has the highest fitness value.
  • This ascertained classification corresponds to an aggregation of the performance profiles into aggregated performance profiles with the highest possible advantage
  • the best aggregation in this sense is determined according to the invention by means of the evolutionary algorithm.
  • a first step of the method or of the evolutionary algorithm initialization
  • several initial classifications are generated, each classification having disjoint classes of the n performance profiles.
  • the evolutionary algorithm with search operators and a fitness function is initially provided. Subsequently, new classifications are generated by means of a loop, which is carried out until the termination criterion is met.
  • a fitness value is assigned to each classification.
  • a fitness value is assigned to each individual in the population.
  • the assignment or determination / calculation of the fitness values is based on the forecasting capability values of the classes associated with each classification.
  • the predictability value for each class of each classification is calculated using a sum of the performance profiles associated with the respective class.
  • the fitness score is then calculated using a sum of the predictability scores of each classification (as described above).
  • the selection takes place in a second sub-step.
  • the individuals who are fc-fit with regard to their fitness values (classifications) are ascertained, determined or selected.
  • new individuals that is to say new ones, are created on the set of k-fittest individuals Classifications, carried out by means of the search operators, for example a mutation of an individual or a recombination of two individuals.
  • Each newly generated classification is in turn assigned a fitness value (evaluation).
  • the loop is run through again. If the termination criterion is met, a selection is made again. In other words, the classification with the highest fitness value, in this sense the fittest individual, is determined. The best aggregation in terms of predictability is determined by the classification with the highest fitness value and thus determined.
  • the aggregation does not take place randomly or according to fixed criteria, for example by combining according to the type of energy subsystem, but dynamically with a view to the highest possible predictability / forecast content.
  • the inventive design of the fitness function or the fitness values on which the evolutionary algorithm is based by means of the prognostic capability values that are dependent on the respective information content, make the classifications / aggregations or the population a higher one Predictive ability driven. A synergetic compromise is thus determined between an aggregation and the associated loss of information. In particular, this improves the accuracy of a performance forecast based on the aggregation.
  • the termination criterion can even be used to predetermine a forecast accuracy, so that a minimal aggregation in this sense can be determined by means of the present invention which fulfills the required forecast capability.
  • a minimal aggregation in this sense can be determined by means of the present invention which fulfills the required forecast capability.
  • the present invention can provide an improved forecast and thus a more efficient integration of the energy system or its participating energy subsystems.
  • the present invention enables the network to be operated more reliably and efficiently. Furthermore, unnecessary congestion management, such as redispatch, can be avoided.
  • the present invention is advantageous for an energy system design. If, for example, a load on the energy system or the energy subsystem is difficult to predict, that is to say it has a comparatively low forecasting capability value, it could be advantageous to provide additional storage capacities.
  • the initial classifications are generated by randomly assigning the performance profiles P 1, ..., P n to the classes.
  • the initial classifications that is, the initial population of the evolutionary algorithm, are each formed from the set of performance profiles by randomly drawing without replacing. This advantageously avoids an initial biased assignment.
  • an advantageous selection can be provided for the initial population or at least a part of the initial population.
  • the prognostic capability value ⁇ is determined by means of ⁇ 1 H a , H a denoting the value of the normalized Shannon entropy for the base a of the aggregated performance profile assigned to the class.
  • the information content of the aggregated performance profile is advantageously determined by the Shannon entropy.
  • the Shannon entropy of the aggregated performance profile is a measure of the information content of the aggregated performance profile. The higher the information content, the more random the aggregated performance profile and the less predictable it is.
  • the normalized Shannon entropy is formed from the ratio of the Shannon entropy and the maximum value of the Shannon entropy.
  • the normalized Shannon entropy thus has values in the range from 0 to 1.
  • the normalized Shannon entropy is referred to as efficiency.
  • the aggregated performance profile has little or no predictive capability.
  • a classification that has several such classes with a low prognostic capability has a low fitness, that is to say a low fitness value.
  • the Shannon entropy is determined by means of the spectral density (English: Power Spectral Density; abbreviated PSD) of the respective aggregated power profile.
  • spectral density English: Power Spectral Density; abbreviated PSD
  • the Shannon entropy is preferred by means of formed or calculated or determined.
  • w denotes the angular frequency and log a the logarithm to the base a, so that the Shannon entropy to the base a is also formed.
  • the Shannon entropy is thus formed by the differential entropy, with discrete formations also being provided.
  • the specific design, whether discrete or continuous, depends on the design of the time signal (continuous or discrete).
  • the spectral density is determined by means of the autocorrelation of the respective aggregated performance profile.
  • the autocorrelation of one of the aggregated performance profiles is determined by, where E denotes Expected value and denotes the time average of the aggregated performance profile.
  • E denotes Expected value
  • time average of the aggregated performance profile denotes the time average of the aggregated performance profile.
  • the author correlation is a measure of correlations within the respective performance profile and thus of its regularity.
  • the spectral density can be calculated efficiently by means of the autocorrelation using the Wiener-Chinchin theorem.
  • a mutation and / or a recombination are used as search operators of the evolutionary algorithm.
  • the assignment or affiliation of a performance profile to a class of the classification is randomly changed.
  • at least one performance profile of the classification is reassigned to a class of the classification with a fixed probability.
  • the class assignment of a performance profile is randomly changed within the same classification. This creates a new random classification.
  • One or more mutations can be provided.
  • a recombination (English: Cross Over) generates a new classification based on two classifications (parents), that is, an offspring (English: Offspring).
  • two classifications are mixed, with one class of the two classifications being used as the class of the new classification (descendant) with a probability of 0.5 (50 percent).
  • the new classification includes, on average, 50 percent of each parent's classes. Multiple recombinations can be envisaged being. Mutations and recombinations are preferably mixed.
  • the classes of the classifications are arranged.
  • the class arrangements within a classification are reorganized / rearranged / quantity order (English: reordering).
  • the reordering or new numbering of the classes is preferably carried out with each new generation of new classifications, i.e. after initialization (first generation of the classifications) and / or after using a search operator, in particular after a mutation and / or recombination.
  • a preferred reordering is achieved in that the classes are reordered or numbered according to the order in which they appear in the classification, for example from right to left.
  • the termination condition is formed by means of the fitness values.
  • the fitness values as a whole determine when a sufficiently advantageous population (set of classifications) has been reached. This ensures that a classification with the highest possible fitness value for the aggregation can be determined.
  • the termination condition is particularly preferably formed by the mean value of the fitness values. If the mean value of the fitness values does not change over several previous generations, the loop is preferably stopped and the aggregation is determined by the classification with the highest fitness value of the current generation. Alternatively or in addition a threshold value for the fitness values and / or for the mean value of the fitness values can be defined. In other words, the termination condition is formed by the threshold value. If the mean value of the fitness values is above the threshold value mentioned, for example, then the termination condition is fulfilled and the loop of the evolutionary algorithm stops. In this way, a classification with the highest possible fitness value can advantageously be determined in an appropriate computing time. Further termination conditions can alternatively or additionally be provided.
  • the termination condition is basically a kind of measure for the overall fitness of the population.
  • a load profile and / or generation profile of the respective energy subsystem is used as the performance profile.
  • the performance profile can in principle be a load profile, a generation profile or a residual profile mixed from load and generation.
  • generation is also understood to mean provision.
  • the power profile of an energy store in particular an electricity store and / or thermal energy store, can be used.
  • the ascertained aggregation of the power profiles of the energy subsystems is used for the power prognosis, in particular for a load prognosis and / or generation prognosis, of the energy system.
  • the aggregated performance profiles are particularly preferred for a performance prognosis of the energy system, for example of some of its energy subsystems. This is the case because the performance profiles of the energy subsystems are not aggregated randomly or according to defined criteria, but according to their fitness, i.e. according to their fitness Predictive ability. As a result, the most advantageous compromise possible between aggregation and predictability can be determined.
  • FIG. 1 shows an aggregation according to an embodiment of the present invention
  • FIG. 2 shows a flow diagram of an evolutionary algorithm according to an embodiment of the present invention.
  • Figure 3 shows an order of a classification.
  • FIG. 1 shows an aggregation or a schematic sequence of an aggregation according to an embodiment of the present invention.
  • An energy system 1 for example a community, a city district, a building complex, an industrial plant and / or a campus, has several, in the present case n, energy subsystems 11.
  • n energy subsystems 11.
  • a district has several residential buildings or a building complex has several apartments.
  • the energy subsystems are each identified with the reference symbol 11.
  • a measurement 6 of the respective power / energy at each of the energy subsystems 11 is carried out at least within a time range, for example within a day with an hourly resolution or a 15-minute resolution accomplished.
  • n performance profiles are provided, three of which are shown here by way of example.
  • the performance profiles or their provision is identified with the reference symbol 2.
  • the measurements can be carried out by means of smart meters and / or by means of a respective energy management system.
  • the energy subsystems 11 can feed power out (load) and / or feed in (provision or generation) via a network 8, in particular a power network.
  • the power fed out and / or fed in is measured continuously or in fixed time steps, for example every 15 minutes or every hour, as a result of which the power profiles 2 are made available. For example, the performance profiles extend over a day with a resolution of 15 minutes or one hour. Equivalent to the power, the respective generated / provided and / or consumed energy can be measured or recorded within a time interval, for example within 15 minutes or an hour. The associated power then results from the recorded energy per time interval.
  • the measured or recorded performance profiles 2 are each plotted as curves within a P-t diagram (P performance, t time).
  • P performance, t time a P-t diagram
  • differences can be seen in terms of their regularity. These differences correspond to different predictabilities of the performance profiles 2. For example, an approximately periodic performance profile is easily predictable. A performance profile with several irregular fluctuations is more difficult to predict. Typically, the fluctuations at the level of the energy subsystems 11 are too high for a sufficiently precise forecast, so that an aggregation 4 takes place. This can reduce fluctuations and thus increase predictability.
  • the aggregation 4 classifies or groups the energy subsystems 11. In other words, within the Aggregation 4 each of the energy subsystems is assigned to exactly one class 42 or group.
  • the totality of the classes forms a classification 40.
  • the classification 40 of the energy subsystems 11 according to their performance profiles 2 or the classification 40 of the performance profiles 2 comprises only two classes 42, two of the four energy subsystems 11 shown being assigned to each class 42.
  • the performance profiles assigned to or associated with a class 42 are totaled for the aggregation 4, as a result of which averaged or aggregated performance profiles are formed. A weighted sum can be provided.
  • Each class 42 is therefore assigned or associated with an aggregated performance profile. It is a technical purpose of the aggregation 4 to reduce fluctuations in the individual energy subsystems 11. In other words, the aggregated power profiles should have less fluctuations, which improves their predictability. Thus, a forecast based on the aggregated performance profiles can be more reliable or more precise.
  • the aggregation 4 takes place according to the present invention, that is to say it takes place based on a prognostic capability measure or on a prognostic capability function and by means of an evolutionary algorithm.
  • an aggregation 4 that is as optimal as possible with regard to its predictability can be determined.
  • a classification 40 is determined with the greatest possible predictability.
  • This optimal aggregation which corresponds to the classification 40 in the figure, is the result of the aggregation 4.
  • the evolutionary algorithm is advantageous here because the classification 40 or grouping shows a strong non-linear behavior with regard to the prediction capability measure .
  • FIG. 2 illustrates a flow diagram of an aggregation, in particular of the evolutionary algorithm used here.
  • a start step S of the aggregation the power profiles of the energy subsystems, which were recorded, for example, by means of a respective measurement, are provided.
  • an initial or initial classification of the energy subsystems or the performance profiles takes place.
  • the energy subsystems or their performance profiles are divided into, or assigned to, several classes, in the present case in m classes.
  • Exactly one performance profile is assigned to each energy subsystem, so that a classification of the energy subsystems and a classification of the performance profiles are equivalent.
  • Each class of the initial classification is therefore assigned to none of the, one or more of the performance profiles.
  • the initial classification is preferably carried out by means of a random assignment / division of the performance profiles or the energy subsystems to the m classes.
  • This random division of the energy subsystems into m disjoint classes creates a possible classification that corresponds to a possible aggregation.
  • several such possible classifications in particular randomly, are also generated.
  • This totality of generated initial classifications forms the initial population in the sense of the evolutionary algorithm.
  • the classifications are thus the individuals of the population.
  • the initial population is thus generated by means of randomly generated individuals.
  • an assessment measure is required that quantifies how fit an individual, i.e. a classification, is with regard to the evolutionary algorithm. The fitter an individual, the more likely their characteristics or classes will be found in the next generation.
  • a prediction capability value is initially assigned to each class of each classification.
  • a classification or an individual is assigned a fitness value through the sum of the prognostic values of his classes.
  • each classification or individual is assigned an overall predictive ability.
  • the classifications are thus rated according to their predictability in the sense mentioned above.
  • An individual or a classification is the fitter, the higher its overall predictive ability, that is, the higher its predictability.
  • the evaluation measure or the selection criterion of the evolutionary algorithm is thus formed by predictability.
  • the assignment of the prognostic value to each class is decisive for this.
  • the prediction capability value of a class is calculated using the aggregated performance profile assigned to the class.
  • the aggregated performance profile is the sum of the performance profiles of the energy subsystems assigned to the class. A weighted sum can be provided here. If the total is weighted equally, the aggregated performance profile corresponds to the mean value of the performance profiles.
  • the temporal autocorrelation of the aggregated performance profile is calculated.
  • the spectral density of the aggregated performance profile calculated, where denotes the imaginary unit.
  • the spectral density normalized to the variance forms a probability density function by means of which the prediction capability value can be determined. In particular, 0 applies such as 1, as required for a probability density function.
  • the constant normalized spectral density or probability density function / for a sine is obtained - or cosine-shaped signal or aggregated power profile with 0 ⁇ U / (- ⁇ , ⁇ ) and regardless of 0, i.e. with a random frequency according to the probability distribution, applies The uncertainty of a forecast results exclusively from the probability distribution .
  • the Shannon entropy is a measure of the information content of the aggregated performance profile. A high information content corresponds to a high randomness of the aggregated performance profile, so that its predictability is low. Information content and predictability are thus symbolically opposed. It is therefore of particular advantage to check the forecasting capabilities of the aggregated performance profile to be defined or calculated.
  • the maximum denotes the Shannon entropy over all possible aggregated performance profiles.
  • the maximum of the Shannon entropy is determined by an aggregated power profile in the form of white noise, so that it is present.
  • the measure thus quantifies the predictability of the aggregated performance profile in a particularly advantageous manner. That is true
  • the aggregated performance profile is particularly predictable when its predictive ability value is close to 1.
  • the aggregated performance profile is difficult to predict, i.e. it exhibits a high degree of randomness, if approx. is almost 0.
  • Each class of a classification is assigned a predictive ability value calculated as above.
  • the classification is assigned its fitness value by means of the sum of its forecasting capability values.
  • one of the classifications F where applies to the fitness value across all classes of classification is totaled.
  • the fitness value F is thus a measure of the overall predictability of the classification and thus of the aggregation. This is carried out in the evaluation step LI for all classifications. In other words, every classification has such a fitness value.
  • the fitness value 0 is assigned to an empty class.
  • a termination criterion is formed in particular by means of the totality of the fitness values, for example by means of the mean value of the fitness values.
  • the final aggregation is achieved through the classification with the highest fitness value and thus with the comparatively best predictability set. This ends or stops the evolutionary algorithm (end E).
  • the k fittest individuals that is to say the classifications with the k highest fitness values, are determined. This selection is identified by the reference symbol L2.
  • step L3 new classifications are generated from the previous ones from the k selected individuals.
  • a new population is generated from the previous population in step L3.
  • This new population forms the offspring of the k fittest individuals in the sense of the evolutionary algorithm. In other words, only the fittest individuals are allowed to procreate.
  • the offspring or the new classifications are generated from the k fittest classifications using search operators L3b and L3c.
  • the search operator to be carried out is selected in a step L3a.
  • a mutation L3b or a recombination L3c can be carried out.
  • the new classification is generated from the previous one by a random change in an affiliation of a performance profile to a class of the classification.
  • the mutation or a mutation event should be illustrated for eight energy subsystems 1, ..., 8 in three classes 1, ..., 3.
  • (1,2,2,3,1,2,3,1) be a possible classification. This notation means that energy subsystem 1 of class 1, energy subsystem 2 of class 2, energy subsystem 3 of class 2, energy subsystem 4 of class 3, energy subsystem 5 of class 1, energy subsystem 6 of class 2, the Energy subsystem 7 is assigned to class 3 and the energy subsystem 8 to class 1.
  • a mutation or a mutation event now randomly changes the affiliation of an energy subsystem or a performance profile to a class. For example, (1,2,2,3,1,2,3,1) ⁇ (1,2,1,3,1,2,3,1) is such a mutation event.
  • An energy subsystem can be chosen at random and randomly assigned to one of the classes.
  • Several mutations L3b can be provided one after the other and / or in parallel on the set of the k fittest classifications.
  • a new classification is determined from two previous classifications (parents).
  • the previous classifications are mixed with a probability of 50% to 50%.
  • the new classification has a 50% probability of the class of one parent or the other. If, for example, (1,2,2,3,1,2,3,1) and (1,1,1,2,3,1,2,2) are the previous classifications (parents), a recombination could occur generate the new classification (1,2,2,3,1,1,3,2) as descendants.
  • Multiple recombinations L3c can one behind the other and / or in parallel on the set of the k fittest classifications.
  • FIG. 3 shows an order of a classification 40 which is advantageously always used when the classification 40 has been newly generated, for example by the search operators.
  • the use of the search operators typically leads to a non-ordered classification, the order relating to the order, in the present case from right to left, of the numbering of the classes 42.
  • the numbering / designation of classes 42 is basically irrelevant.
  • a class 42 is referred to as the first or, for example, the second class.
  • any order can be chosen. However, it is advantageous to order or number the classes 42 according to their occurrence within the classification.
  • the classification 40 (2,1,1,3,2,1,3,2) of the energy subsystems 11 (1,..., 8) of the energy system 1 is therefore not ordered, since class 2 is on comes first.
  • class 1 should appear first, followed by class 2 and 3.
  • (1,2,2,3,1,2,3,1) is the ordered classification 40 'of the unordered classification 40.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Generation Of Surge Voltage And Current (AREA)

Abstract

Es wird ein Verfahren zur Ermittlung einer Aggregation (4) von Leistungsprofilen P1,...,P n (2) von n Energiesubsystemen (11) eines Energiesystems (1) zu m < n aggregierten Leistungsprofilen formula (I) (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 formula (I) (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,...,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 Ω 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 κ Klassifizierungen (40) mit den κ größten Fitnesswerten; und - (L3) Erzeugen von neuen Klassifizierungen (40) mittels der Suchoperatoren auf der Menge der selektierten κ Klassifizierungen (40); - (T) Festlegen der aggregierten Leistungsprofile formula (I) (2) durch die Klassifizierung (40) mit dem größten Fitnesswert. Weiterhin betrifft die Erfindung ein Verfahren zur Leistungsprognose eines Energiesystems (1).

Description

Beschreibung
Verfahren zur Leistungsprognose eines Energiesystems
Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Patentanspruches 1 sowie eine Verfahren gemäß dem Oberbe- griff des Patentanspruches 11.
Ein Energiesystem, beispielsweise ein Stadtteil, ein Insel- netz, ein Campus oder ein Industriekomplex, umfasst typi- scherweise mehrere Energiesubsysteme, beispielsweise Wohnge- bäude, kommerzielle Gebäude, Industrieanlagen und/oder de- zentrale Kraftwerke. Insbesondere umfassen Energiesubsysteme vermehrt energietechnische Anlagen, die erneuerbare Energien gewinnen, beispielsweise Photovoltaikanlagen und/oder Wind- kraftanlagen.
Für einen möglichst effizienten Betrieb eines solchen Ener- giesystems ist grundsätzlich eine Prognose von Last- oder Er- zeugungsleistungen 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 Be- trieb 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 ermög- licht es der lokale Energiemarkt durch seine dezentrale tech- nische 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, vorteil- haft. Für eine solche effiziente Abstimmung ist somit eine möglichst genaue Prognose erforderlich. Ein lokaler Energiemarkt ist beispielsweise aus dem Dokument EP 3518369 Al 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 zufrieden- stellende Erzeugungsprognosen beziehungsweise Lastprognosen ergeben.
Es wird durch eine Aggregation der Erzeugungsprofile und/oder Lastprofile (Leistungsprofile) der Energiesubsysteme ver- sucht, die Prognosegenauigkeit zu erhöhen. Ziel der Aggrega- tion ist es, dass sich die individuellen Schwankungen der Energiesubsysteme abschwächen, ausgleichen und/oder mittein.
Nachteilig an einer Aggregation ist, dass dadurch Einzelhei- ten (Informationen) bezüglich des jeweiligen Energiesubsys- tems 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 Ausgestal- tungen und Weiterbildungen der Erfindung angegeben.
Das erfindungsgemäße Verfahren zur Ermittlung einer Aggrega- tion von Leistungsprofilen P1...,Pn von n Energiesubsystemen eines Energiesystems zu m < n aggregierten Leistungsprofilen insbesondere für eine Leistungsprognose, wobei hierzu eine Klassifizierung der Energiesubsysteme erfolgt, und jeder der m Klassen einer der Klassifizierungen eines der aggregierten Leistungsprofile zugeordnet wird, ist gekennzeichnet durch wenigstens die folgenden Schritte: - Erzeugen von mehreren initialen Klassifizierungen, wobei jede Klassifizierung disjunkte Klassen der n Leistungsprofile P1...,Pn aufweist;
- Bereitstellen eines evolutionären Algorithmus mit Suchope- ratoren, 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 mit- tels einer Summe der Prognosefähigkeitswerte Ω der Klassifizierung für jede Klassifizierung;
- Selektion von k Klassifizierungen mit den k größten Fitnesswerten; und
- Erzeugen von neuen Klassifizierungen mittels der Such- operatoren auf der Menge der selektierten k Klassifizie- rungen;
- Festlegen der aggregierten Leistungsprofile 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 computerge- stützt sein.
Energiesysteme und/oder Energiesubsysteme umfassen typischer- weise mehrere Komponenten, die sich auf eine Gewinnung (Er- zeugung), Umwandlung, Lieferung und/oder Nutzung von Energie, insbesondere elektrischer Energie (Strom) und/oder thermi- scher Energie (Wärme), beziehen. Ein Energiesystem bezie- hungsweise Energiesubsystem ist beispielsweise eine Stadt, ein Stadtbezirk, eine Gemeinde, ein Wohngebäude, ein Büroge- bäude und/oder ein sonstiges Gewerbegebäude, eine industri- elle Anlage, ein Kraftwerk und/oder ein Campus. Insbesondere umfassen Energiesysteme beziehungsweise Energiesubsysteme mehrere energietechnische Anlagen, beispielsweise Energie- wandlungsanlagen, 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 Ener- giesubsysteme 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 gemeinschaft- lich vorliegen (Residualleistung). Mit anderen Worten kann ein Leistungsprofil ein Lastprofil und/oder Erzeugungsprofil sein. Weiterhin kann ein Leistungsprofil als Zeitsignal, bei- spielsweise als Funktion, und/oder zeitdiskretes Zeitsignal (Zeitreihe) vorliegen. Das Leistungsprofil kann ebenfalls als Signal bezeichnet werden.
Das Leistungsprofil kann als Zeitreihe beziehungsweise Mess- reihe, insbesondere in Form von Daten, und/oder analytisch, beispielsweise als gefittete Funktion, vorliegen. Typischer- weise ist das Leistungsprofil beziehungsweise sind die Leis- tungsprofile messbasiert.
Der Begriff der Leistung bezieht sich auf eine innerhalb ei- nes Zeitbereiches verbrauchte und/oder bereitgestellte, ins- besondere gewonnene, Energie. Somit sind in der vorliegenden Erfindung die Begriffe Leistung und Energie äquivalent und untereinander austauschbar.
Weiterhin ist das Leistungsprofil insbesondere ein elektri- sches Leistungsprofil, das heißt eine zeitliche Abhängigkeit einer elektrischen Leistung, oder ein thermisches Leistungs- profil, beispielsweise bezüglich einer Wärmeleistung und/oder Kälteleistung. Ferner kann ein gemischtes Leistungsprofil vorliegen. Der Prognosefähigkeitswert ist ein Wert einer Prognosefähig- keitsfunktion. Insbesondere weist die Prognosefähigkeitsfunk- tion Werte im Bereich von 0 bis 1 auf. Die Prognosefähig- keitsfunktion 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 Progno- sefähigkeitswert 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 Prognosefä- higkeit ist somit ein Maß für die Vorhersagbarkeit des zuge- hörigen aggregierten Leistungsprofils. Grundsätzlich sind mehrere Maße, das heißt mehrere funktionale Abhängigkeiten zur Quantifizierung der Prognosefähigkeit denkbar. Als Mini- malanforderung an das Maß kann bevorzugt gestellt werden, dass dieses einen höheren Wert aufweist, je regelmäßiger das zugehörige Signal in seinem zeitlichen Verlauf ist. Je unre- gelmäßiger das Signal ist, beispielsweise aufgrund von Rau- schen und/oder einer hohen Volatilität, desto geringer sollte der Prognosefähigkeitswert sein. Eine Normierung auf den Wer- tebereich von 0 bis 1 ist zweckmäßig, wobei andere Normierun- gen vorgesehen sein können.
Der Fitnesswert ist ein Wert einer Fitnessfunktion. Typi- scherweise weist der evolutionäre Algorithmus eine solche Fitnessfunktion auf, die sinnbildlich bezüglich der Suchope- ratoren des evolutionären Algorithmus ein Maß für die Fitness jeder Klassifizierung ist. Vorliegend wird der Fitnesswert durch die Summe der einer Klassifizierung zugeordneten Prog- nosefähigkeitswerte ausgebildet, sodass der Fitnesswert einen Gesamt- oder Summenprognosefähigkeitswert der jeweiligen Klassifizierung ausbildet. .ine Klassifizierung kann ebenfalls als Gruppierung bezeich- net werden, sodass die Klassen die Gruppen der Gruppierung ausbilden.
Eine Zuordnung eines Energiesubsystems zu einer Klasse ist äquivalent zu einer Zuordnung des zum Energiesubsystems zuge- hörigen beziehungsweise durch dieses bereitgestellten Leis- tungsprofils .
Im Sinne des evolutionären Algorithmus bilden die Klassifi- zierung 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 Leistungspro- file, 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 vor- gesehen ist. Weiterhin werden mehrere solcher Klassifizierun- gen mit typischerweise wenigstens teilweisen verschiedenen aggregierten Leistungsprofilen und somit wenigstens teilwei- sen verschiedenen Klassen bereitgestellt, insbesondere er- zeugt. 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 wer- den.
Mit anderen Worten sei {P1,...Pn}= {Pi}i∈I für I= {1,...,n} die Menge der Leistungsprofile, das heißt jedes Energiesubsystem stellt eines der Leistungsprofile Pi bereit, wobei Pj dem Energiesubsystem i zugeordnet ist. Die Leistungsprofile sind zeitabhängig, das heißt es ist Pi = Pi(t) beziehungsweise Pi = Pi;t für t ET, wobei T den Zeitbereich kennzeichnet, für welchen die Leistungsprofile bereitgestellt wurden und über welchen 5 sich diese erstrecken.
Die Menge der Leistungsprofile wird für jede der Klassifizie- rungen in m disjunkte Klassen eingeteilt . Mit ande- ren Worten ist wobei die Klassen K jeder Klassifi-
10 zierung disjunkt sind, das heißt es ist für K ǂ L und ES erfolgt somit für jede Klassifizierung eine disjunkte Partitionierung der Menge der Leistungsprofile be- ziehungsweise der Leistungsprofile. Jeder Klasse wird ein aggregiertes Leistungsprofil, beispielsweise durch P =
15 ΣΡ:.P∈ΚΡ zugeordnet, das heißt durch die Summe der Leistungs- profile P der jeweiligen Klasse K (P∈K). Eine gewichtete Summe kann vorgesehen sein. Mittels wird nun jeder Klasse K der Klassifizierung ein Prognose- fähigkeitswert Ω(Κ) zugeordnet, wobei Ω die Prognosefähig-
20 keitsfunktion bezeichnet. Weiterhin wird erfindungsgemäß je- der der Klassifizierungen mittels ein Fit- nesswert zugeordnet, der aus der Summe aller Prognosefähig- keitswerte der jeweiligen Klassifizierung gebildet wird.
25 Gemäß der vorliegenden Erfindung wird mittels des evolutionä- ren Algorithmus eine Klassifizierung ermittelt, welche einen höchsten Fitnesswert aufweist. Diese ermittelte Klassifizie- rung entspricht einer Aggregation der Leistungsprofile zu ag- gregierten Leistungsprofilen mit einer möglichst hohen Vor-
30 hersagbarkeit. 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
35 der Aggregation verloren. Dadurch wird eine Prognose, die auf den aggregierten Leistungsprofilen basiert, deutlich verbes- sert. Die in diesem Sinne beste Aggregation wird erfindungs- gemäß mittels des evolutionären Algorithmus ermittelt. In einem ersten Schritt des Verfahrens beziehungsweise des evolutionären Algorithmus (Initialisierung) werden mehrere initiale Klassifizierungen, wobei jede Klassifizierung dis- junkte 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 Algo- rithmus mit Suchoperatoren und einer Fitnessfunktion bereit- gestellt. Anschließend werden mittels einer Schleife (eng- lisch: 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 je- dem Individuum der Population ein Fitnesswert zugeordnet. Die Zuordnung beziehungsweise Ermittlung/Berechnung der Fitness- werte 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) zugehö- rigen Aggregation.
In einem zweiten Teilschritt erfolgt die Selektion. Mit an- dere Worten werden die bezüglich ihrer Fitnesswerte fc-fittes- ten 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 Klassi- fizierung wird wiederum ein Fitnesswert zugeordnet (Evalua- tion).
Falls die dadurch neu erzeugte Population nicht das Abbruch- kriterium erfüllt, wird die Schleife erneut durchlaufen. Ist das Abbruchkriterium erfüllt, erfolgt wiederum eine Selek- tion. Mit anderen Worten wird die Klassifizierung mit dem höchsten Fitnesswert, in diesem Sinne das fitteste Indivi- duum, bestimmt. Die bezüglich der Vorhersagbarkeit beste Ag- gregation wird durch die Klassifizierung mit dem höchsten Fitnesswert festgelegt und somit ermittelt.
Gemäß der vorliegenden Erfindung erfolgt die Aggregation so- mit nicht zufällig oder gemäß fester Kriterien, beispiels- weise durch ein Zusammenfassen nach Art der Energiesubsys- teme, sondern dynamisch im Hinblick auf eine möglichst hohe Vorhersagbarkeit/Prognosegehalt. Durch die erfindungsgemäße Ausbildung der Fitnessfunktion beziehungsweise der Fitness- werte, die dem evolutionären Algorithmus zugrunde liegt, mit- tels der Prognosefähigkeitswerte, die vom jeweiligen Informa- tionsgehalt abhängig sind, werden die Klassifizierungen/Ag- gregationen beziehungsweise wird die Population zu einer hö- heren Prognosefähigkeit getrieben. Somit wird ein synergeti- scher Kompromiss zwischen einer Aggregation und dem zugehöri- gen Informationsverlust ermittelt. Insbesondere wird dadurch die Genauigkeit einer Leistungsprognose, die auf der Aggrega- tion basiert, verbessert. Weiterhin kann durch das Abbruch- kriterium eine Prognosegenauigkeit sogar vorgegeben werden, sodass eine in diesem Sinne minimale Aggregation mittels der vorliegenden Erfindung ermittelt werden kann, die die erfor- derliche Prognosefähigkeit erfüllt. Mit anderen Worten er- folgt sinnbildlich nur soviel Aggregation wie für eine fest- gelegte 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 effizien- tere 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 er- folgen. Weiterhin kann ein unnötiges Überlastungsmanagements, wie beispielsweise ein Redispatch, vermieden werden.
Weiterhin ist die vorliegende Erfindung für ein Energiesys- temdesign vorteilhaft. Ist beispielsweise eine Last des Ener- giesystems beziehungsweise des Energiesubsystems schlecht vorhersagbar, das heißt diese weist einen vergleichsweise niedrigen Prognosefähigkeitswert auf, so könnte es vorteil- haft sein, zusätzliche Speicherkapazitäten vorzusehen.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung erfolgt das Erzeugen der initialen Klassifizierungen durch ein zufäl- liges Zuordnen der Leistungsprofile P1,...,Pn zu den Klassen.
Mit anderen Worten werden die initialen Klassifizierungen, das heißt die initiale Population des evolutionären Algorith- mus, jeweils durch ein zufälliges Ziehen ohne Zurücklegen aus der Menge der Leistungsprofile gebildet. Dadurch wird vor- teilhafterweise 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 Erfin- dung wird der Prognosefähigkeitswert Ω mittels Ω 1 Ha er- mittelt, wobei Ha den Wert der normalisierten Shannon-Entro- pie zur Basis a des der Klasse zugeordneten aggregierten Leistungsprofils bezeichnet. Vorteilhafterweise wird durch die Shannon-Entropie der Infor- mationsgehalt des aggregierten Leistungsprofils bestimmt. Mit anderen Worten ist die Shannon-Entropie des aggregierten Leistungsprofils ein Maß für den Informationsgehalt des ag- gregierten 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 normali- sierte 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 aggre- gierte Leistungsprofil ein weißes Rauchen oder mit einem sol- chen vergleichbar, so weist die normalisierte Shannon-Entro- pie einen Wert nahe 1 auf. Der Informationsgehalt eines wei- ßen Rauchens ist zwar 1, es ist jedoch nicht vorhersagbar, sodass sein Prognosefähigkeitswert 0 ist. Mit anderen Worten ist für ein weißes Rauschen Ω = 0, das heißt das zugehörige aggregierte Leistungsprofil ist nicht vorhersagbar. Werden somit Leistungsprofile zu einem nahezu weißen Rauschen aggre- giert, so weist das aggregierte Leistungsprofil eine geringe bis keine Prognosefähigkeit auf. Mit anderen Worten weist ein Signal mit einem hohen Informationsgehalt eine geringe Prog- nosefähigkeit und somit eine geringe Vorhersagbarkeit auf. Somit ist das Ermitteln des Prognosefähigkeitswerts durch Ω = 1— Ha 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 In- formationsgehalt im Sinne der Shannon-Entropie aufweist, jedoch hierfür eine verbesserte Vorhersagbarkeit. Dadurch kann ein vorteilhafter Kompromiss zwischen Informationsver- lust und Vorhersagbarkeit/Prognosefähigkeit gelingen, der ge- mäß 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 aggre- gierten Leistungsprofils ermittelt.
Jedes aggregierte Leistungsprofil weist als Zeitsig- nal/Zeitreihe eine zugehörige spektrale Dichte für k = 1auf. Ist die auf die Varianz des aggregierten Zeitsignals normierte spektrale Dichte (Wahr- scheinlichkeitsdichtefunktion) , so wird die Shannon-Entropie bevorzugt mittels gebildet beziehungsweise berechnet oder ermittelt. Hierbei bezeichnet w die Kreisfrequenz und loga den Logarithmus zur Basis a, sodass ebenfalls die Shannon-Entropie zur Basis a gebildet wird. Die Shannon-Entropie wird somit durch die dif- ferentielle Entropie ausgebildet, wobei diskrete Ausbildungen ebenfalls vorgesehen sind. Die konkrete Ausbildung, ob disk- ret oder kontinuierlich, hängt hierbei von der Ausbildung des Zeitsignals (kontinuierlich oder diskret) ab. Beispielsweise ergibt sich für eine Gleichverteilung (weißes Rauschen) auf einem Intervall [-w0,w0] die normierte spektrale Dichte und somit die maximale Shannon-Entropie von Ha =
In einer vorteilhaften Ausgestaltung der Erfindung wird die spektrale Dichte mittels der Autokorrelation des jeweiligen aggregierten Leistungsprofils ermittelt.
Die Autokorrelation eines der aggregierten Leistungsprofile ist durch bestimmt, wobei E den Erwartungswert und den zeitlichen Mittelwert des aggre- gierten Leistungsprofils bezeichnet. Für ein zeitdiskretes Leistungsprofil ist mit
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 Muta- tion und/oder eine Rekombination verwendet.
Vorteilhafterweise können dadurch bevorzugte neue Klassifi- zierungen aus den bisherigen Klassifizierungen gebildet wer- den. Die Suchoperatoren des evolutionären Algorithmus operie- ren auf der Menge der fc-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 Leistungs- profil der Klassifizierung einer Klasse der Klassifizierung mit einer festgelegten Wahrscheinlichkeit neu zugeordnet. Mit anderen Worten wird die Klassenzuordnung eines Leistungspro- fils 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 Klassifizie- rung, das heißt einen Nachkommen (englisch: Offspring). Hier- bei 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 ge- mischt.
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 Klassifi- zierung. 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, bei- spielsweise von rechts nach links, neu geordnet oder numme- riert 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 sicherge- stellt, dass eine Klassifizierung mit einem möglichst hohem Fitnesswert für die Aggregation ermittelt werden kann. Beson- ders 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 aus- gebildet. Liegt der Mittelwert der Fitnesswerte beispiels- weise über den genannten Schwellenwert, so ist die Abbruchbe- dingung erfüllt und die Schleife des evolutionären Algorith- mus stoppt. Vorteilhafterweise kann dadurch eine Klassifizie- rung mit einem möglichst hohen Fitnesswert in einer angemes- senen Rechenzeit ermittelt werden. Weitere Abbruchbedingungen können alternativ oder ergänzend vorgesehen sein. Die Ab- bruchbedingung ist grundsätzlich eine Art Maß für die Gesamt- fitness 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 Energie- subsysteme zur Leistungsprognose, insbesondere für eine Last- prognose und/oder Erzeugungsprognose, des Energiesystems ver- wendet.
Die aggregierten Leistungsprofile sind besonders für eine Leistungsprognose des Energiesystems, beispielsweise von ei- nem 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 er- geben sich aus den im Folgenden beschriebenen Ausführungsbei- spielen sowie anhand der Zeichnungen. Dabei zeigen schemati- siert:
Figur 1 eine Aggregation gemäß einer Ausgestaltung der vor- liegenden Erfindung;
Figur 2 ein Flussdiagramm eines evolutionären Algorithmus gemäß einer Ausgestaltung der vorliegenden Erfin- dung; und
Figur 3 eine Ordnung einer Klassifizierung.
Gleichartige, gleichwertige oder gleichwirkende Elemente kön- nen in einer der Figuren oder in den Figuren mit denselben Bezugszeichen versehen sein.
Die Figur 1 zeigt eine Aggregation beziehungsweise einen schematischen Ablauf einer Aggregation gemäß einer Ausgestal- tung der vorliegenden Erfindung.
Ein Energiesystem 1, beispielsweise eine Gemeinde, ein Stadt- teil, 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 Energie- subsysteme sind jeweils mit dem Bezugszeichen 11 gekennzeich- net.
Vorliegend wird wenigstens innerhalb eines Zeitbereiches, beispielsweise innerhalb eines Tages mit einer Stundenauflö- sung oder einer 15-Minuten-Auflösung, eine Messung 6 der je- weiligen Leistung/Energie an jedem der Energiesubsysteme 11 durchgeführt. Dadurch werden n Leistungsprofile bereitge- sellt, 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 Ener- giemanagementsystems 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 bereit- gestellt werden. Beispielsweise erstrecken sich die Leis- tungsprofile über einen Tag mit einer Auflösung von 15 Minu- ten oder einer Stunde. Äquivalent zur Leistung kann die je- weilige 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 er- fassten Energie pro Zeitintervall.
In der Figur 1 sind die gemessenen beziehungsweise erfassten Leistungsprofile 2 jeweils als Kurven innerhalb eines P-t-Di- agramms (P Leistung, t Zeit) aufgetragen. Hierbei sind Unter- schiede bezüglich ihrer Regelmäßigkeit zu erkennen. Diese Un- terschiede entsprechen verschiedenen Vorhersagbarkeiten der Leistungsprofile 2. Beispielsweise ist ein annähernd periodi- sches Leistungsprofil gut vorhersagbar. Ein Leistungsprofil mit mehreren unregelmäßigen Schwankungen ist schwieriger vor- herzusagen. 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 Ener- giesubsysteme 11 gemäß ihrer Leistungsprofile 2 beziehungs- weise 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 Leistungs- profile werden für die Aggregation 4 summiert, wodurch gemit- telte beziehungsweise aggregierte Leistungsprofile ausgebil- det werden. Eine gewichtete Summe kann vorgesehen sein. Jeder Klasse 42 ist somit ein aggregiertes Leistungsprofil zugeord- net beziehungsweise zugehörig. Es ist ein technischer Zweck der Aggregation 4, Schwankungen der einzelnen Energiesubsys- teme 11 zu reduzieren. Mit anderen Worten sollten die aggre- gierten Leistungsprofile geringere Schwankungen aufweisen, wodurch ihre Vorhersagbarkeit verbessert ist. Somit kann eine Prognose basierend auf den aggregierten Leistungsprofilen zu- verlässiger beziehungsweise genauer sein.
In der Figur 1 erfolgt die Aggregation 4 gemäß der vorliegen- den Erfindung, das heißt sie erfolgt basierend auf einem Prognosefähigkeitsmaß beziehungsweise auf einer Prognosefä- higkeitsfunktion 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 Vorher- sagbarkeit 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 bezie- hungsweise Gruppierung im Hinblick auf das Prognosefähig- keitsmaß eine starkes nichtlineares Verhalten zeigt. Die Figur 2 verdeutlicht ein Flussdiagramm einer Aggregation, insbesondere des hierbei verwendeten evolutionären Algorith- mus.
In einem Startschritt S der Aggregation werden die Leistungs- profile der Energiesubsysteme, die beispielsweise mittels ei- ner jeweiligen Messung erfasst wurden, bereitgestellt.
In einem Initialisierungsschritt I erfolgt basierend auf den bereitgestellten Leistungsprofilen eine initiale beziehungs- weise anfängliche Klassifizierung der Energiesubsysteme be- ziehungsweise der Leistungsprofile. Mit anderen Worten werden die Energiesubsysteme beziehungsweise ihre Leistungsprofile in mehrere Klassen, vorliegend in m Klassen, eingeteilt be- ziehungsweise diesen zugeordnet. Jedem Energiesubsystem ist genau ein Leistungsprofil zugeordnet, sodass eine Klassifi- zierung 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 ei- ner möglichen Aggregation entspricht, erzeugt. Im Initiali- sierungsschritt I werden weiterhin mehrere solcher möglichen Klassifizierungen, insbesondere zufällig, erzeugt. Diese Ge- samtheit an erzeugten initialen Klassifizierungen bildet die initiale Population im Sinne des evolutionären Algorithmus aus. Die Klassifizierungen sind somit die Individuen der Po- pulation. Die initiale Population wird somit mittels zufällig erzeugter Individuen erzeugt.
In einem Evaluationsschritt LI 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 Ei- genschaften beziehungsweise Klassen in kommenden Generation wieder.
Gemäß der vorliegenden Erfindung wird zunächst in einem ers- ten Teilschritt Lla jeder Klasse jeder Klassifizierung ein Prognosefähigkeitswert zugeordnet. Anschließend wird in einem zweiten Teilschritt Llb einer Klassifizierung beziehungsweise einem Individuum ein Fitnesswert durch die Summe der Progno- sefähigkeitswerte seiner Klassen zugeordnet. Mit anderen Wor- ten wird jeder Klassifizierung beziehungsweise jedem Indivi- duum eine Gesamtprognosefähigkeit zugeordnet. Die Klassifi- zierungen werden somit im obenstehend genannten Sinne nach ihrer Prognosefähigkeit bewertet. Ein Individuum beziehungs- weise eine Klassifizierung ist umso fitter, je höher ihre Ge- samtprognosefähigkeit, das heißt je höher ihre Vorhersagbar- keit ist. Das Bewertungsmaß beziehungsweise das Auswahlkrite- rium des evolutionären Algorithmus wird somit durch die Vor- hersagbarkeit ausgebildet. Entscheidend hierfür ist die Zu- ordnung 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 Prognosefähigkeitswer- tes einer Klasse mittels des der Klasse zugeordneten bezie- hungsweise zugehörigen aggregierten Leistungsprofils wird die zeitliche Autokorrelation des aggregierten Leistungsprofils berechnet. Die Autokorrelation kann für ein zeitdiskretes ag- gregiertes Leistungsprofil (für k = 1, ...,m Energiesubsys- teme zum Zeitpunkt t) durch für (englisch: Lag) ermittelt werden, wobei E den Erwar- tungswert und den zeitlichen Mittelwert des aggregierten Leistungsprofils bezeichnet.
Mittels der berechneten Autokorrelation wird die spektrale Dichte des aggregierten Leistungsprofils durch berechnet, wobei die imaginäre Einheit bezeichnet. Die auf die Varianz normierte spektrale Dichte bildet eine Wahrscheinlichkeitsdichtefunktion aus, mittels welcher der Prognosefähigkeitswert ermittelt werden kann. Insbesondere gilt 0 sowie 1, wie für eine Wahrscheinlichkeitsdichtefunktion erforder- lich. Beispielsweise ergibt sich für ein aggregiertes Leis- tungsprofil, welches als weißes Rauschen ausgebildet ist, die konstante normierte spektrale Dichte beziehungsweise Wahr- scheinlichkeitsdichtefunktion / Für ein sinus - beziehungsweise cosinusförmiges Signal beziehungsweise aggre- giertes Leistungsprofil mit 0~U/(— π,π) und unabhängig von 0, also mit einer zufälligen Frequenz gemäß der Wahrscheinlichkeitsverteilung , gilt Die Unsicherheit einer Prognose resultiert hierbei ausschließlich von der Wahrscheinlichkeitsverteilung .
Basierend auf der Wahrscheinlichkeitsdichtefunktion wird die Shannon-Entropie des aggregierten Leistungsprofils mittels berechnet. Die Shannon-Entropie beziehungsweise der Logarith- mus ist zur Basis a gebildet. Die Shannon-Entropie ist ein Maß für den Informationsgehalt des aggregierten Leistungspro- fils. Ein hoher Informationsgehalt entspricht einer hohen Zu- fälligkeit des aggregierten Leistungsprofils, sodass dessen Vorhersagbarkeit gering ist. Informationsgehalt und Vorher- sagbarkeit stehen sich somit sinnbildlich entgegen. Es ist daher von besonderem Vorteil, die Prognosefähigkeit des aggregierten Leistungsprofils durch zu definieren beziehungsweise zu berechnen. Hierbei bezeich- net das Maximum der Shannon-Entropie über alle möglichen aggregierten Leistungsprofile. Das Maximum der Shannon-Entropie ist durch ein als weißes Rauschen ausgebil- dete aggregiertes Leistungsprofil bestimmt, sodass gilt, da vorliegend ist.
Das Maß quantifiziert somit in besonders vorteilhafterweise die Prognosefähigkeit des aggregierten Leistungsprofils. Es gilt Das aggregierte Leistungsprofil ist besonders gut vorhersagbar, wenn sein Prognosefähigkeitswert annähernd 1 ist. Das aggregierte Leistungsprofil ist schlecht vorhersagbar, das heißt dieses weist einen hohen Zufall auf, falls annä- hernd 0 ist.
Jeder Klasse einer Klassifizierung wird ein wie obenstehend berechneter Prognosefähigkeitswert zugeordnet. Der Klassifi- zierung wird mittels der Summe ihrer Prognosefähigkeitswerte ihr Fitnesswert zugeordnet. Mit andere Worten gilt für den Fitnesswert einer der Klassifizierungen F wobei über alle Klassen der Klassifizierung summiert wird. Der Fitnesswert F ist somit ein Maß für die Gesamtprognosefähig- keit der Klassifizierung und somit der Aggregation. Dies wird im Evaluationsschritt LI für alle Klassifizierungen durchge- führt. Mit anderen Worten weist jede Klassifizierung einen solchen Fitnesswert auf. Einer leeren Klasse wird der Fit- nesswert 0 zugeordnet.
In einem Terminierungsschritt T wird geprüft, ob ein Abbruch- kriterium erfüllt ist. Das Abbruchkriterium ist insbesondere mittels der Gesamtheit der Fitnesswerte gebildet, beispiels- weise mittels des Mittelwertes der Fitnesswerte.
Ist das Abbruchkriterium erfüllt, so wird die finale Aggrega- tion durch die Klassifizierung mit dem höchsten Fitnesswert und somit mit der vergleichsweise besten Vorhersagebarkeit festgelegt. Dadurch endet beziehungsweise stoppt der evoluti- onäre 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 selek- tierten Individuen neue Klassifizierungen aus den bisherigen erzeugt. Mit anderen Worten wird aus der bisherigen Popula- tion 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 fortpflan- zen.
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 Rekombina- tion 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 verdeut- licht 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 Energie- subsystem 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
Eine Mutation beziehungsweise ein Mutationsereignis ändert nun zufällig die Zugehörigkeit eines Energiesubsystems bezie- hungsweise eines Leistungsprofils zu einer Klasse. Beispiels- weise ist (1,2,2,3,1,2,3,1) → (1,2,1,3,1,2,3,1) ein solches Mutationser- eignis. Hierbei wurde das Energiesubsystem 3, welches ur- sprünglich der Klasse 2 zugeordnet war, durch die Mutation der Klasse 1 neu zugeordnet. Dadurch bildet sich eine neue Klassifizierung aus. Hierbei kann ein Energiesubsystem zufäl- lig gewählt werden und zufällig wieder einer der Klassen zu- geordnet werden. Mehrere Mutationen L3b können hintereinander und/oder parallel auf der Menge der k fittesten Klassifizie- rungen vorgesehen sein.
Bei einer Rekombination L3c wird aus zwei bisherigen Klassi- fizierungen (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 Wahrschein- lichkeit von 50 % die Klasse des einen oder anderen Eltern- teils 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 Re- kombination die neue Klassifizierung (1,2,2,3,1,1,3,2) als Nach- komme erzeugen. Mehrere Rekombinationen L3c können hintereinander und/oder parallel auf der Menge der k fittes- ten Klassifizierungen vorgesehen sein.
Zusammenfassend wird durch die Anwendung der Suchoperatoren L3b und L3c gegebenenfalls zusammen mit bisherigen Klassifi- zierungen eine neue Population erzeugt, die wiederum dem Eva- luationsschritt 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 Ag- gregation durch die Klassifizierung mit dem höchsten Fitness- wert und somit mit der vergleichsweise besten Vorhersagebar- keit festgelegt.
Die Figur 3 zeigt eine Ordnung einer Klassifizierung 40, die vorteilhafterweise immer dann angewendet wird, wenn die Klas- sifizierung 40, beispielsweise durch die Suchoperatoren, neu erzeugt wurde.
Die Anwendung der Suchoperatoren führt typischerweise zu ei- ner nicht geordneten Klassifizierung, wobei sich die Ordnung auf die Reihenfolge, vorliegend von rechts nach links, der Nummerierung der Klassen 42 bezieht. Die Nummerierung/Be- zeichnung 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 Energie- systems 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 er- folgt 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 Ausfüh- rungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele ein- geschränkt oder andere Variationen können vom Fachmann hie- raus 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
LI Evaluierungsschritt T Terminierungsschritt
L2 Selektionsschritt
L3 Erzeugungsschritt
L3a Auswahl Suchoperator
L3b Mutation L3c Rekombination
E Ende

Claims

Patentansprüche
1. Verfahren zur Ermittlung einer Aggregation (4) von Leis- tungsprofilen P1,...,Pn (2) von n Energiesubsystemen (11) eines Energiesystems (1) zu m < n aggregierten Leistungsprofilen (2), insbesondere für eine Leistungsprognose, wobei hierzu eine Klassifizierung (40) der Energiesubsysteme (11) erfolgt, und jeder der m Klassen (42) einer der Klassifizie- rungen (40) eines der aggregierten Leistungsprofile (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,...,Pn (2) aufweist;
- (L) Bereitstellen eines evolutionären Algorithmus mit Such- operatoren, wobei die folgenden Schritte bis zum Erfüllen ei- ner Abbruchbedingung wiederholt werden:
- (Lla) Berechnen eines Prognosefähigkeitswertes W für jede Klasse (42) jeder Klassifizierung (40) mittels ei- ner Summe der der jeweiligen Klasse (42) zugehörigen Leistungsprofile (2);
- (Llb) Berechnen eines Fitnesswertes der Klassifizie- rung 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 (2) durch die Klassifizierung (40) mit dem größten Fitnesswert.
2. Verfahren gemäß Anspruch 1, gekennzeichnet dadurch, dass das Erzeugen (I) der initialen Klassifizierungen (40) durch ein zufälliges Zuordnen der Leistungsprofile P1,...,Pn zu den Klassen (42) erfolgt.
3. Verfahren gemäß Anspruch 1 oder 2, gekennzeichnet dadurch, dass der Prognosefähigkeitswert W mittels W=1— Ha ermittelt wird, wobei Ha den Wert der normalisierten Shannon-Entropie zur Basis a des der Klasse (42) zugeordneten aggregierten Leistungsprofils (2) bezeichnet.
4. Verfahren gemäß Anspruch 3, gekennzeichnet dadurch, dass die Shannon-Entropie mittels der spektralen Dichte des jewei- ligen aggregierten Leistungsprofils (2) ermittelt wird.
5. Verfahren gemäß Anspruch 4, gekennzeichnet dadurch, dass die spektrale Dichte mittels der Autokorrelation des jeweili- gen aggregierten Leistungsprofils (2) ermittelt wird.
6. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass als Suchoperatoren eine Mutation und/oder eine Rekombination verwendet werden.
7. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass die Klassen (42) der Klassifizie- rungen (40), insbesondere der innerhalb des evolutionären Al- gorithmus neu erzeugten Klassifizierungen (40), geordnet wer- den.
8. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass die Abbruchbedingung mittels der Fitnesswerte gebildet wird.
9. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass als Leistungsprofil ein Lastprofil und/oder Erzeugungsprofil des jeweiligen Energiesubsystems verwendet wird.
10. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass die ermittelte Aggregation (4) der Leistungsprofile der Energiesubsysteme (11) zur Leistungsprognose, insbesondere für eine Lastprognose und/o- der Erzeugungsprognose, des Energiesystems (1) verwendet wird.
11. Verfahren zur Leistungsprognose eines Energiesystems (1) mit mehreren Energiesubsystemen (11), wobei jedes der Ener- giesubsysteme (11) ein Leistungsprofil P1,...,Pn bereitstellt, und die Leistungsprognose basierend auf einer Aggregation (4) der Leistungsprofile P1,...,Pn erfolgt, gekennzeichnet dadurch, dass die Aggregation (4) mittels einem Verfahren gemäß einem der vorhergehenden Ansprüche erfolgt.
12. Verfahren gemäß Anspruch 11, gekennzeichnet dadurch, dass die Leistungsprognose mittels eines Energiemanagementsystems des Energiesystems (1) erfolgt.
EP21725428.3A 2020-06-22 2021-05-03 Verfahren zur leistungsprognose eines energiesystems Pending EP4143938A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020207706.1A DE102020207706A1 (de) 2020-06-22 2020-06-22 Verfahren zur Leistungsprognose eines Energiesystems
PCT/EP2021/061548 WO2021259540A1 (de) 2020-06-22 2021-05-03 Verfahren zur leistungsprognose eines energiesystems

Publications (1)

Publication Number Publication Date
EP4143938A1 true EP4143938A1 (de) 2023-03-08

Family

ID=75914491

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21725428.3A Pending EP4143938A1 (de) 2020-06-22 2021-05-03 Verfahren zur leistungsprognose eines energiesystems

Country Status (4)

Country Link
EP (1) EP4143938A1 (de)
AU (1) AU2021298025B2 (de)
DE (1) DE102020207706A1 (de)
WO (1) WO2021259540A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4311059A1 (de) * 2022-07-18 2024-01-24 Siemens Aktiengesellschaft Vorrichtung und verfahren zur aggregation sowie steuerung von elektrischen leistungen innerhalb eines stromnetzes

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10243359B2 (en) * 2012-12-07 2019-03-26 Battelle Memorial Institute Method and system for using demand side resources to provide frequency regulation using a dynamic allocation of energy resources
CN103617467A (zh) * 2013-12-13 2014-03-05 重庆大学 一种短期组合负荷预测方法
EP3518369A1 (de) 2018-01-30 2019-07-31 Siemens Aktiengesellschaft Verfahren und regelvorrichtung zur regelung eines elektrischen leistungstransfers sowie stromnetz
CN110674993A (zh) * 2019-09-26 2020-01-10 广东电网有限责任公司 一种用户负荷短期预测方法和装置

Also Published As

Publication number Publication date
AU2021298025A1 (en) 2023-02-02
WO2021259540A1 (de) 2021-12-30
DE102020207706A1 (de) 2021-12-23
AU2021298025B2 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
EP3707798B1 (de) Verfahren zur regelung eines elektrischen leistungstransfers sowie stromnetz
DE112021001581T5 (de) Ausfallfrühwarn-Analyseverfahren für Regelungen des Betriebs für Stausee unter dem Einfluss des Klimawandels
EP2865063B1 (de) Netzplanerstellung und betriebsführung
EP2901538B1 (de) Verfahren und system zum betreiben eines elektrischen energieversorgungsnetzes
DE112017004673T5 (de) Energie-Umwandlungsvorrichtung
DE202023100249U1 (de) Ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten
DE112014006204T5 (de) Leistungsaustausch-Managementsystem und Leistungsaustausch-Managementverfahren
WO2021259540A1 (de) Verfahren zur leistungsprognose eines energiesystems
DE202022106297U1 (de) Intelligentes System für Energiebedarfsprognosen und nachhaltiges Energiemanagement durch maschinelles Lernen und künstliche Intelligenz
WO2015043823A1 (de) Verfahren und system zum bewerten von erhobenen messwerten eines systems
DE202023105081U1 (de) System zur Analyse der Auswirkungen von Situationsbewusstseinsattributen für die Belastbarkeitsbewertung aktiver Vertriebsnetze
EP3767770A1 (de) Verfahren zum steuern eines austausches von energien innerhalb eines energiesystems sowie energiesystem
CN103400213A (zh) 一种基于lda与pca的骨干网架生存性评估方法
DE112020006258T5 (de) System zur Verwaltung verteilter Energieressourcen und Verfahren zur Verwaltung verteilter Energieressourcen
DE102020203853A1 (de) Verfahren zur Steuerung eines Energiesystems sowie zugehörige Vorrichtung
EP2834898A1 (de) Verfahren zur bestimmung von messstellen in niederspannungsnetzen und netzmanagementsubsystem zur durchführung des verfahrens.
WO2020035346A1 (de) Verfahren zum berechnen von elektrischen leistungstransfers für einen lokalen energiemarkt sowie lokaler energiemarkt
CN109117636B (zh) 一种虚实结合的分布式能源系统信息安全评价方法
DE102023203985B3 (de) Verfahren zur Erzeugung von Eingangsdaten für eine Zustandsschätzung eines Stromnetzes, Zustandsschätzung sowie Steuerung eines Stromnetzes
DE102020214264A1 (de) Abstimmungseinrichtung und Abstimmungsverfahren für ein Modell zur Abschätzung einer Kupplungstemperatur
DE102020200811A1 (de) Zertifizierung wenigstens einer anlagenspezifischen Energiemenge eines Energiesystems
EP3504772B1 (de) Transport- und verteilnetz
DE102016218352A1 (de) Bewerten einer elektrischen Belastbarkeit eines elektrischen Energieverteilungsnetzes
DE102011082201A1 (de) Elektrizitätseigenschaften-identifikationsvorrichtung und verfahren für diese
WO2024218006A1 (de) Verfahren zur ermittlung einer überlastwahrscheinlichkeit eines oder mehrerer netzknoten eines stromnetzes

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221128

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)