Zusammenfassung
Da die Speicherung von Elektrizität teuer ist, ist es besser, sie zu verbrauchen, wenn sie produziert wird. Daher ist es für alle Beteiligten wie Produzenten, Verteiler, Versorgungsunternehmen und Endverbraucher unerlässlich, den Energieverbrauch im Voraus abzuschätzen, um einen rentablen Zustand zu erreichen. Es gibt viele Prognosestrategien für die Lastprognose, wie kurzfristige, mittelfristige und langfristige. Die kurzfristige Lastprognose (STLF) ist jedoch von größter Bedeutung aufgrund ihrer Fähigkeit, Verbrauchsmuster von Haushalten, kleinen und kleinsten Handelszentren vorherzusagen. Das Kapitel beschreibt Werkzeuge und Techniken für die STLF basierend auf den traditionellen statistischen Modellen und fortgeschrittenen maschinellen Lernverfahren. Das Kapitel gibt einen umfassenden Einblick in die Auswahl des geeigneten Prognosemodells für den beabsichtigten Datensatz und präsentiert eine vergleichende Studie, um dem Lernenden die Vor- und Nachteile der bestehenden Literatur in diesem Bereich zu vermitteln.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Abdi H, Williams LJ (2010) Principal component analysis. Wiley Interdiscip Rev: Comput Stat 2(4):433–459
Alasali F, Foudeh H, Ali EM, Nusair K, Holderbaum W (2021) Forecasting and modelling the uncertainty of low voltage network demand and the effect of renewable energy sources. Energies 14:2151
Board of Governors of the Federal Reserve System (US) (2019) Industrial production: electric and gas utilities retrieved from Fred. Federal Reserve Bank of st. Louis
Browell J, Gilbert C (2020) Probcast: open-source production, evaluation and visualisation of probabilistic forecasts 5
Cohen I (2020) Time series-introduction. Zugegriffen: 13 April 2020
Hastie TJ, Tibshirani RJ (2017) Generalized additive models. Routledge
Holt Charles C (2004) Forecasting seasonals and trends by exponentially weighted moving averages. Int J Forecast 20(1):5–10
Hyndman RJ, Athanasopoulos G (2018) Forecasting: principles and practice. OTexts
Neal RM (2012) Bayesian learning for neural networks, Bd 118. Springer Science & Business Media
NIST (2022) Triple exponential smoothing. https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc436.htm. Zugegriffen: 19 Juli 2022
Open Power System Data (2022) Industrial production: electric and gas utilities retrieved from Fred. Federal Reserve Bank of st. Louis
Servén D, Brummitt C (2018) pygam: generalized additive models in python
Shah A (2020) Perrin Freres monthly champagne sales
Stone CJ (1985) Additive regression and other nonparametric models. Ann Stat 13(2):689–705
Timeseries, Jan 2013
Yunusov T, Haben S, Lee T, Ziel F, Holderbaum W, Potter B (2017) Evaluating the effectiveness of storage control in reducing peak demand on low voltage feeders. In: Proceedings of the 24th international conference on electricity distribution (CIRED)
Ziel F, Steinert R, Husmann S (2015) Efficient modeling and forecasting of electricity spot prices. Energy Econ 47:98–111
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Nature Switzerland AG
About this chapter
Cite this chapter
Holderbaum, W., Alasali, F., Sinha, A. (2023). Kurzfristige Lastprognose (STLF). In: Energieprognose und Steuerungsmethoden für Energiespeichersysteme in Verteilungsnetzen. Springer Vieweg, Cham. https://doi.org/10.1007/978-3-031-45471-4_2
Download citation
DOI: https://doi.org/10.1007/978-3-031-45471-4_2
Published:
Publisher Name: Springer Vieweg, Cham
Print ISBN: 978-3-031-45470-7
Online ISBN: 978-3-031-45471-4
eBook Packages: Computer Science and Engineering (German Language)