Home | deutsch  | Legals | Data Protection | Sitemap | KIT

Digital Innovation & Sector Coupling: A Data Analytics Approach to Forecasting Heat Demand

Digital Innovation & Sector Coupling: A Data Analytics Approach to Forecasting Heat Demand
Type:Bachelorarbeit
Date:vergeben
Supervisor:

Armin Golla

Der steigende Anteil Erneuerbarer auf dem Europäischen Energiemarkt führt aufgrund ihrer volatilen Energieerzeugungsstruktur immer häufiger zu Schwierigkeiten. Wind- und Solarenergie kann CO2-neutral produziert werden, aufgrund ihrer unsicheren Verfügbarkeit müssen sie allerdings durch steuerbare Kapazitäten unterstützt werden. Mit Sektorenkopplung und der Verbindung von Strom- und Wärmenetzen lassen sich Schwankungen von Energieangebot und -nachfrage teilweise auffangen. Dafür ist auch im Bereich der Wärmeversorgung eine möglichst exakte Vorhersage von Wärmebedarfsmengen nötig.

Ziel dieser Arbeit ist es, verschiedene Methoden zur Vorhersage des Wärmebedarfs zu untersuchen und zu bewerten. Ihre Aufgabe besteht darin, mit Hilfe von Data Analytics und Clustering-Verfahren Muster in bestehenden Wärmenetzlastprofilen zu identifizieren und anschließend zu interpretieren. Mit den gewonnenen Erkenntnissen werden im zweiten Schritt diverse Verfahren zur Prognose des Wärmebedarfs wie etwa Zeitreihenanalyse oder Neuronale Netze betrachtet und evaluiert. Die Arbeit bietet Ihnen die Möglichkeit, sich detailliertes Wissen im Bereich Data Analytics anzueignen und sich einen tiefgreifenden Einblick in die Funktionsweise von Wärmenetzen zu erarbeiten.

Formale Anforderungen:

Die Arbeit kann auf Deutsch oder Englisch verfasst werden. Es besteht die Möglichkeit, sie direkt in Form eines wissenschaftlichen Papers anzufertigen. Interesse an wirtschaftswissenschaftlichen und statistischen Methoden wird vorausgesetzt. Programmierfähigkeiten in R und/oder Python sind wünschenswert, aber keine Voraussetzung.

Relevante Literatur:

Makridakis, Spyros G.; Wheelwright, Steven C.; Hyndman, Rob J. (ca. 2010): Forecasting. Methods and applications. 3. ed., 15. [pr.]. [New York]: Wiley.

Armstrong, J.S. (2001) Evaluating Forecasting Methods. In Principles of Forecasting: A Handbook for Researchers and Practitioners (Ed. J. Scott Armstrong). Kluwer.

Bacher, Peder; Madsen, Henrik; Nielsen, Henrik Aalborg; Perers, Bengt (2013): Short-term heat load forecasting for single family houses. In: Energy and Buildings 65, S. 101–112.

Colmenar-Santos, Antonio; Borge-Díez, David; Rosales-Asensio, Enrique (2017): District Heating and Cooling Networks in the European Union. Cham: Springer International Publishing.