Efficient Electricity Load Forecasting in Residential Districts through Clustering of Smart Meter Data

  • Moderne Wohnquartiere managen häufig ihren Energiebedarf in Eigenregie und haben dadurch einen eigenen Bilanzkreis. Dies bedeutet, dass die Energieverantwortlichen des Quartiers gegenüber dem Netzbetreiber für Abweichungen gegenüber dem standardmäßig vorhergesagten Verbrauch aufkommen müssen. Durch Verbesserungen der Stromnachfrage-Vorhersageverfahren können die Wohnquartiere effizienter und kostengünstiger betrieben. Einen Ansatzpunkt zur Verbesserung der Vorhersage liefern hier die Daten sogenannter Smart Meters (intelligente Stromzähler), die aktuelle Stromverbrauchsdaten der Quartiersbewohner übermitteln können.

     

     

    Ziel der Arbeit

    In dieser Arbeit soll die Vorhersage von Wohnquartier-Lastprofilen effizienter gestaltet werden, indem die Lastprofile von ähnlichen Abnehmern innerhalb des Wohnquartiers geclustert werden [1, 2]. Anschließend soll eine Nachfragevorhersage für das Wohnquartier anhand der geclusterten Lastprofile getätigt werden, etwa durch LSTMs [3] oder andere State-of-the-Art Vorhersageverfahren.

     

     

    Formales

    Die Arbeit kann in Deutsch oder Englisch geschrieben werden. Bitte bewerben Sie sich mit Ihrem Lebenslauf sowie einer aktuellen Notenübersicht. Mit der Bearbeitung kann sofort begonnen werden.

     

     

    Anforderungen

    Interesse an dem Bereich Energiewirtschaft

    Grundkenntnisse im Bereich Machine Learning

    Idealerweise erste Erfahrungen mit Python oder hohe Motivation sich einzuarbeiten

     

     

    Literatur

    [1] McLoughlin, F., Duffy, A., & Conlon, M. (2015). A clustering approach to domestic electricity load profile characterisation using smart metering data. Applied energy, 141, 190-199.ISO 690

    [2] Yilmaz, S., Chambers, J., & Patel, M. K. (2019). Comparison of clustering approaches for domestic electricity load profile characterisation-Implications for demand side management. Energy, 180, 665-677.

    [3] Kong, W., Dong, Z. Y., Jia, Y., Hill, D. J., Xu, Y., & Zhang, Y. (2017). Short-term residential load forecasting based on LSTM recurrent neural network. IEEE Transactions on Smart Grids, 10(1), 841-851.ISO 690