Physikbasiertes, lernfähiges Energiemanagement zur Sektorenkopplung und Verteilnetzflexibilisierung, Teilvorhaben: Last- und Erzeugungsprognosen (Siemens)

Description: Gebäude-Energie-Management-Systemen (GEMS) tragen dazu bei die steigende Anzahl fluktuierender Erzeuger (z.B. PV Anlagen) sowie elektrischer Lasten (z.B. Elektrofahrzeuge) in das Verteilnetz zu integrieren. Für den optimalen Betrieb von GEMS ist eine genaue Prognose von Erzeugungsanlagen sowie Lasten notwendig. Bisher verwendete Standardlastprofile können den Verbrauch gut abbilden, wenn ausreichend Verbraucher vorhanden sind und diese keine Flexibilität nutzen. Diese Lastabschätzung ist aktuell allerdings kaum in der Lage, Prognosen für wenige Verbraucher bzw. für Verbraucher mit Flexibilitäten wie Batteriespeichern abzubilden. Daher wird im Rahmen dieses Teilvorhabens ein adaptives Prognosewerkzeug entwickelt, das abhängig von den verfügbaren Daten die bestmögliche Verbrauchs- und Erzeugungsprognose liefert. Dieses Teilvorhaben stellt sicher, dass Prognosen mit hoher Verfügbarkeit und Skalierbarkeit bereitgestellt werden, was letztlich zu einer stabileren und nachhaltigeren Energieversorgung führt. Dazu werden verschiedene Prognoseverfahren und deren Kombination, z.B. klassische statistische Methoden, Regressionsmethoden, Machine-learning-Verfahren aber auch neuartigen Entwicklungen wie Pretrained Transformer Modelle erprobt und evaluiert. Insbesondere soll in Zusammenarbeit mit den Projektpartnern der Einfluss des jeweiligen Prognoseverfahren auf den Betrieb der im Projekt entwickelten GEMS evaluiert werden.

SupportProgram

Tags: Photovoltaikanlage ? Energieversorgung ? Energiemanagement ? Elektrofahrzeug ? Statistische Analyse ? Prognoseverfahren ?

Region: Bavaria

Bounding boxes: 11.5° .. 11.5° x 49° .. 49°

License: Creative Commons Namensnennung-keine Bearbeitung-Nichtkommerziell 4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Finanzielle Förderung)
• Siemens (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)

Time ranges: 2025-04-01 - 2028-03-31

Alternatives

• Language: Englisch/English
  Title: Sub-project: Load and generation forecasts (Siemens)
  Description: Building energy management systems (BEMS) help to integrate the increasing number of fluctuating generators (e.g. PV systems) and electrical loads (e.g. electric vehicles) into the distribution grid. For the optimal operation of GEMS, a precise forecast of generation plants and loads is necessary. Standard load profiles used to date can map consumption well if there are sufficient consumers and they do not use flexibility. However, this load estimation is currently hardly capable of mapping forecasts for a small number of consumers or for consumers with flexibility such as battery storage. For this reason, an adaptive forecasting tool is being developed as part of this sub-project, which provides the best possible consumption and generation forecast depending on the available data. This sub-project ensures that forecasts are provided with high availability and scalability, which ultimately leads to a more stable and sustainable energy supply. To this end, various forecasting methods and their combination, e.g. classic statistical methods, regression methods, machine-learning methods as well as new developments such as pretrained transformer models, will be tested and evaluated. In particular, the influence of the respective forecasting method on the operation of the GEMS developed in the project will be evaluated in collaboration with the project partners. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1139826

Status

Aktiv

Quality score

• Overall: 0.51
• Findability: 0.70

  • Title: 1.00
  • Description: 0.19
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.