Entwicklung einer markt-basierten Smart Grid Lösung basierend auf intelligenten Systemen zur Lastoptimierung und -vorhersage
1. Projektbeschreibung
2. Demonstrator
Projektbeschreibung
Die laufende Dekarbonisierung führt zu einem signifikanten Ausbaubedarf der Stromnetze auf allen Spannungsniveaus, da nebst der Energieerzeugung auch der Heizungs- und Transportbereich davon betroffen sind und somit elektrifiziert werden sollen. Die erneuerbaren Energien reichen aktuell noch nicht aus, um den Energiebedarf in den Städten und der Industrie zu decken. Ausserdem sind diese stark von äusseren Faktoren abhängig wie beispielsweise dem Wetter. Um diese Schwankungen auszugleichen gibt es schon heute eine signifikante Anzahl an flexibel schaltbaren Lasten, welche aber bisher hauptsächlich zur Optimierung der Stromkosten zu Verbrauchsspitzen eingesetzt werden (sog. „lokales peak shaving“).
Mit dem in diesem Projekt untersuchten Ansatz können nicht nur Stromkosten einzelner Kunden optimiert, sondern auch Netzengpässe verhindert werden. Dabei profitieren sowohl der Kunde (Preisoptimierung), als auch der Verteilnetzbetreiber (reduzierter Netzausbaubedarf) gleichermassen, was bedeutet, dass ein makroökonomisches Optimum unter marktwirtschaftlichen Rahmenbedingungen erreicht werden kann. Dazu werden im Rahmen des Projektes verschiedene Entwicklungsszenarien des Energiesystems für die nächsten Jahrzehnte untersucht, welche regionale Rahmenbedingungen und bestehende regulatorischen Vorgaben für die D-A-CH Region berücksichtigen. Dynamische Preissignale aus dem Strommarkt und dem Netz erlauben es, für jeden Kunden und jede Region einen optimalen Stromverbrauchszeitplan zu erstellen (sog. „regionales load shaping“). Um jedoch pro Kunde einen optimalen Zeitplan erstellen zu können, muss erst dessen täglicher erwarteter Verbrauch bekannt sein. Wir erforschen deshalb im Rahmen dieses Projektes effektive Lösungen zur day-ahead Vorhersage des Stromverbrauchs sowohl für einzelne Kunden, als auch für verschiedene Aggregationsstufen auf Basis realer Daten aus Testumgebungen der beteiligten Länder.
Demonstrator
Um einen Einblick zu geben, wie die Vorhersage des Stromverbrauchs vonstatten geht, haben wir einen Demonstrator zu diesem Thema entwickelt, welcher einige einfache Vorhersagealgorithmen und ihre grundlegenden Eigenschaften darstellt. Dazu werden Verbrauchsdaten eines Beisipiel-Kunden geladen, welche aus einem öffentlich zugänglichen Datensatz stammen (siehe UCI Machine Learning Repository).