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 P
1...,P
n 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 P
1...,P
n 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 Σ
Ρ:.
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 log
a 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 [-w
0,w
0] die normierte spektrale Dichte
und somit die maximale Shannon-Entropie von H
a =
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