Dokument: Time Series Analysis on Energy Consumption Data

Titel:	Time Series Analysis on Energy Consumption Data
Weiterer Titel:	Zeitreihenanalyse von Energieverbrauchsdaten
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=51873
URN (NBN):	urn:nbn:de:hbz:061-20200106-111350-5
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Bock, Christian [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 9,57 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 25.12.2019 / geändert 25.12.2019
Beitragende:	Prof. Dr. Conrad, Stefan [Gutachter] Prof. Dr. Mauve, Martin [Gutachter]
Stichwörter:	Big Data, Data Mining, Knowledge Discovery, Clustering, Time Series, Smart Metering, Load Profiles, Energy Economy
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:	In fast allen Bereichen des Alltags werden heutzutage elektrische Geräte eingesetzt. Beispiele hierfür sind Computer, Radios, Fernseher, Glühbirnen, Haushaltsgeräte und in naher Zukunft möglicherweise auch flächendeckend E-Autos. Aufgrund des enormen Komforts und der Produktivitätssteigerung, die derartige Geräte sowohl zur Freizeit als auch im beruflichen Umfeld beitragen, sind sie kaum noch wegzudenken. Um die Nutzung dieser Geräte zu ermöglichen, ist ein ganzer Industriezweig entstanden, um die Versorgung mit elektrischer Energie nahezu überall zu garantieren. Im Zuge dessen ist ein komplexes Stromnetz entstanden, für dessen Funktionieren zahlreiche Rollen wie die des Energieproduzenten, Netzbetreibers, Energielieferanten, Bilanzkreiskoordinators und Regelenergieanbieters reibungslos ineinander greifen müssen. Da die Versorgung mit elektrischer Energie zu jedem Zeitpunkt sichergestellt sein muss, stehen Energielieferanten vor der verantwortungsvollen und schwierigen Aufgabe, den Strombedarf seiner Kunden möglichst akkurat vorherzusagen, damit Energieproduzenten ihre Produktion entsprechend optimal regulieren können. Hierfür kommen so genannte Lastprofile zum Einsatz, das heißt statistische Modelle, welche anhand von getroffenen Annahmen über die Kunden eine Schätzung für den Gesamtverbrauch der Kunden ermöglichen. Traditionell sind diese Annahmen über den Kunden sehr vage, da beispielsweise der Stromzähler der Kunden nur etwa einmal im Jahr im Rahmen der jährlichen Stromkostenabrechnung abgelesen wird, wodurch keine Unterscheidung zwischen gleichmäßigem Stromverbrauch und Lastspitzen möglich ist. Durch den wachsenden Ausbau von intelligenten Stromzählern, so genannter Smart Meter, ist es zunehmend umsetzbar, unter anderem den tatsächlichen Stromverbrauch der einzelnen Kunden in Echtzeit auszulesen und als Zeitreihe zu übertragen. Dies ermöglicht eine Vielzahl von Möglichkeiten, beispielsweise zielgruppenorientierte Tarife, deren Preise in Echtzeit angepasst werden können, eine Verschlankung von Kundenwechselprozessen oder das Aufzeigen von Einsparmöglichkeiten gegenüber dem Kunden durch Visualisieren dessen Verbrauchsverhaltens. Darüber hinaus erlauben Smart Meter die Verwendung von Algorithmen, die dabei helfen, semi-automatisch potentiell nützliches Wissen aus den dabei entstehenden Datenmengen zu extrahieren. Diese Algorithmen sind Komponenten des Themengebiets Knowledge Discovery in Databases und werden häufig angewandt, wenn die zu untersuchenden Daten zu groß für eine manuelle Analyse sind; die Extraktion von nützlichem Wissen aus den durch Smart Meter erhobenen Verbrauchszeitreihen ist Hauptbestandteil dieser Arbeit. Nowadays, electronic devices are used in almost all aspects of everyday lives. Examples for these are computer, radios, television, light bulbs, domestic appliances and electric cars will possibly play a bigger part in the near future. Due to the enormous comfort and gain in efficiency these kinds of devices contribute during both spare time and in a professional environment, it is not possible to imagine one without the other. To enable the usage of these devices a whole industry branch has been created with the task to guarantee the supply of electrical energy almost everywhere. As a consequence of this, a complex electricity grid emerged. In order for the electricity grid to function properly, many roles such as energy producers, grid operators, energy providers, accounting grid coordinator and imbalance energy providers need to cooperate hitchlessly. Since the supply of electrical energy needs to be ensured at all times, energy providers face the responsible and difficult task of forecasting the actual energy consumption of their customers in advance in order for energy producers to adjust the production accordingly. For this purpose, current business processes rely on so called load profiles which are statistical models that yield a good estimate for the total energy demand of all customers based on a set of assumptions about them. Traditionally, these assumptions about the customers are very vague, for example because the electricity meters of customers are read by the energy provider approximately only once per year in conjunction with the yearly accounting of electricity expenses, which does not allow to differentiate between uniform and peak consumption. As a consequence of the increasing availability of intelligent metering devices, so called Smart Meter, it is progressively feasible to read the actual energy consumption of individual customers in real-time and transmit the data as a time series. This enables a variety of possible applications such as target-group-specific tariffs, where the prices can be adjusted in real-time, simplification of customer change processes or pointing out cost-saving opportunities for the customer by visualizing his or her consumption behavior. In addition to this, Smart Metering devices allow for the usage of algorithms that help to semi-automatically extract potentially useful knowledge from these datasets. These algorithms are part of the research area Knowledge Discovery in Databases. They are often employed if the data to be processed is too big or too complex for a manual analysis. The extraction of useful knowledge from consumption time series gathered by means of Smart Metering devices is the main topic of this thesis.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik
Dokument erstellt am:	06.01.2020
Dateien geändert am:	06.01.2020
Promotionsantrag am:	29.10.2019
Datum der Promotion:	20.12.2019