Datenanalyse von Haushalts- und Gebäudelastprofilen: Distanzmaße, Prognosefehler und Mittelwerte im Kontext von Smart Meter Daten im Niederspannungsnetz

Abstract

Diese speziellen Eigenschaften von niedrig aggregierten Lastprofilen werfen eine Frage auf, die in der Analyse oder auch der Prognose von Smart Meter Daten (beispielsweise durch Maschinelles Lernen) von zentraler Relevanz ist und im Rahmen dieser Arbeit weiter erläutert wird: Wann sind sich zwei Lastprofile ähnlich? Wir zeigen, dass klassische Analysemethoden, die auf der Euklidischen Distanz und dem Arithmetischen Mittel beruhen für die Analyse von Smart Meter Daten unter gewissen Umständen zu ungewünschten Ergebnissen führen. Für Smart Meter Daten wurde daher die LPI-Distanz vorgestellt. In WindNODE wurden Algorithmen entwickelt, die die LPI-Distanz für Prognosen oder Cluster-Methoden nutzbar machen. Dabei müssen die unterschiedlichen Ergebnisse in der Datenanalyse im Kontext des eigentlichen Problems evaluiert werden. So zeigen wir, dass die Wahl der „besten“ Prognose vom Optimierungsziel abhängt.

Publication
Tagungsunterlagen des SINTEG Science Lab 2020, S.33-37, Conexio GmbH, Berlin, ISBN-Nr.: 978-3-948176-07-5
Marcus Voss
Marcus Voss
Intelligence Architect and AI Expert, PhD Student

I’m an AI consultant at Birds on Mars and a PhD student at TU Berlin in AI applications in the smart grid.