Ein Beitrag zur systemtechnischen Betrachtung der Windleistungsprognose

Im Rahmen dieser Arbeit wurde der Stand der Wissenschaft aufgearbeitet. Anhand der Analyse konnte festgestellt werden, dass Windleistungsprognosen auf Basis unterschiedlicher Modellkategorien basieren. Ein in über zehn Jahren wenig bis gar nicht veröffentlichtes Thema ist der Einfluss der Datenanalyse insbesondere des Data Minings auf die Prognose. Im Laufe der Bearbeitung des Themas und durch die Erkenntnisse der Literaturrecherche wurde der Fokus auf die Datenanalyse gerichtet. Als Innovation wurden die Daten auf ihre unterschiedliche statistischen Eigenschaften untersucht und diese miteinander kombiniert. Als geeignete Methoden haben sich die multiple Korrelationskoeffizienten (MKK), die bedingte Entropie-Analyse und die Verwendung des linearen, nichtlinearen Informationsmaßes herausgestellt. Nicht geeignet sind die Methoden Hauptkomponentenanalyse (HKA) und Faktorenanalyse. Die Verwendung des MKK sowie des linearen, nichtlinearen Informationsmaßes wurde in keiner recherchierten Quelle verwendet. Mit Hilfe des Box-Jenkins-Verfahrens wurde das ARX Modell (autoregressives Modell mit exogenen Größen) als geeignetes Prognosemodell identifiziert und getestet. Nur durch die Verwendung eines RN (rückgekoppelte neuronale Netze) konnte deren Güte verbessert werden. Für die eingesetzten neuronale Netze wurden Experimente durchgeführt, wie Verfahrensweisen zur weiteren Verbesserung führen können. Abschließend wurde die Metaprognose in innovativer Form eingesetzt und konnte zusätzliche Gütesteigerungen erzielen. Weiterhin wurde eine Kennzahl eingeführt, um den Güteanteil der Datenanalyse und des Prognosemodells in der Prognose zu messen. Dieser zeigt, dass die Datenanalyse ca. 80 % Güteanteil an der Prognose besitzt. Die Prognosemethodik wurde erfolgreich an zwei Photovoltaik-Anlagen getestet. Neben der Datenanalyse wurde der Einfluss der Datenstruktur auf die Prognosequalität bewertet. Ein verlustfreies Speicherformat für Integration historischer Klimaprognosen ist unabdingbar, damit qualitativ performante Prognosemodelle trainiert werden können. Schließlich wurden die Erkenntnisse dieser Arbeit in einen Prototypen MaProSy integriert, mit Hilfe dessen produktive Prognosen umgesetzt werden können.

This work processes the latest state of the science. Based on the analysis, it was found that wind power forecasts are based on a wide range of model categories. A topic, which has been heavily neglected over the past ten years, is the impact of data analysis, in particular of data mining, on the prognosis. In the course of working on the topic and the findings of the literature research, the focus was set on data analysis. As an innovation, the data were examined concerning their different statistical characteristics and were combined with each other. Suitable methods have been found to be the multiple correlation coefficient (MKK), the conditional entropy analysis, and the use of the linear, nonlinear information measure. Not suitable are the methods Principal Component Analysis and Factor Analysis. The use of the MKK as well as the linear, nonlinear information measure was not used in any researched source. The Box-Jenkins method was used to identify and test the ARX model (autoregressive model with exogenous parameters) as a suitable predictive model. Only by using an RN (feedback neural networks) their quality could be improved. For the neural networks used, experiments were carried out on how procedures can lead to further improvement. Finally, the metaprognosis was used in an innovative way which resulted in an additional increases in quality. Furthermore, an indicator was introduced to measure the ratio of quality of the data analysis and the forecasting model on the forecast. This shows that the data analysis has a share of about 80 % in the forecast. The forecasting methodology was successfully tested on two photovoltaic systems. In addition to the data analysis, this work evaluates the influence of the data structure on the forecast quality. An indispensable requirement to implement high-performance forecasting models is the lossless storage format for the integration of historical climate forecasts. Finally, the findings of this work were integrated into a prototype MaProSy which performs productive forecasts.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten