Determination der Stromverbrauchsdatengranularität und notwendiger exogener Variablen für die Erstellung eines prognosefähigen Neuronalen Netzes für proaktives Lastmanagement im produzierenden Gewerbe
- Strom wird in Zukunft immer weniger in Großkraftwerken erzeugt, sondern mittels volatiler, erneuerbarer Energieträger. Diese Volatilität und Nicht-Regelbarkeit in Kombination mit vielen kleinen, dezentralen Erzeugern stellt neue Anforderungen an alle Teilnehmer des neuen Elektrizitätssystems, das Smart-Grid. Insbesondere die Herausforderung Erzeugung und Verbrauch zu synchronisieren, um das Gleichgewicht im Elektrizitätsnetz zu halten, steigt.
Die Industrie hat einen großen Einfluss auf die Netzstabilität, da ihr Stromverbrauch über 40% des Gesamtstromverbrauchs in Deutschland ausmacht. (Quelle: Arbeitsgemeinschaft Energiebilanzen Graph: Entwicklung des Stromverbrauchs nach Sektoren). Aufgrund dessen, liegen in der Industrie auch die größten Potenziale für netzstabilisierende Lastanpassungen. Für solche Maßnahmen ist es jedoch Vorrausetzung den Stromverbrauch mithilfe von Prognosen auch schon für die Zukunft abzubilden. Zum heutigen Zeitpunkt ist die Datengrundlage bei einer Großzahl industrieller Stromverbraucher jedoch nicht in dem Rahmen gegeben, um solche Prognosen zu erstellen. Ziel der Masterarbeit ist es eine Stromverbrauchsprognose für ein reales Unternehmen mithilfe des Produktionsprogramms und weiteren exogenen Variablen zu erstellen. Die Prognose wird mithilfe eines künstlichen neuronalen Netzes erstellt. Im Anschluss werden unterschiedliche Szenarien mit unterschiedlicher Messzähler-Granularität auf ihre Prognosegüte hin untersucht. Mit diesem Vorgehen können erste Erkenntnisse über eine optimale Verteilung und Granularität einer Messstelleninfrastruktur für industrielle Verbraucher ermittelt werden. Denn nur mithilfe solcher Daten kann eine effiziente Synchronisation des Elektrizitätssystems gewährleistet werden.
