Die Prognose des Energiebedarfs von individuellen Akteuren anhand von Zeitreihen kennzeichnet sich durch eine gewaltige Datenlage aufgrund der Vielzahl von Energiekonsumenten aus. Derzeitig wird jedes Gewerbe mit einem Verbrauch > 100 MWh pro Jahr einer registrierenden Leistungsmessung (RLM) unterzogen und für jede Kundin und jeden Kunden wird eine individuelle Verbrauchsvorhersage erstellt. Um diese Komplexit?t mit mathematischen Modellen abbilden zu k?nnen, sind flexible datengetriebene L?sungen notwendig. Einerseits stellt diese umfangreiche Datenlage Herausforderungen an die Handhabung der Analyse, andererseits erm?glicht sie aber auch eine datengetriebene Modellierung komplexer Verhaltensmuster. Eine Kernproblematik liegt dann jedoch in der ?bertragung dieses Modells auf die Individualprognose für alle Akteure.
Das Ziel von AGENS liegt in der Entwicklung von flexiblen Modellen basierend auf Neuronalen Netzen (NN), die in der Lage sind, die Gesamtkomplexit?t anhand von gro?en Datenmengen zu modellieren. Um eine robuste Prognose pro Akteur zu erm?glichen, ist eine Verbesserung der Datenqualit?t für jeden individuellen Konsumenten n?tig. Als Kernpunkt des Projekts werden hierzu sogenannte Generative Adversariale Neuronale Netze (GAN) entwickelt, die eine Datenaugmentation erm?glichen. Für ein erfolgreiches Trainieren der GAN sind statistische Voranalysen der Daten durchzuführen, um ihre charakteristischen Muster zu ermitteln und diese in die GAN einzuspeisen. Basierend auf dem erweiterten Datenstamm ist es das Ziel, anschlie?end robuste Modelle mit kalibrierten Unsicherheiten trainieren zu k?nnen und deren Anwendbarkeit im industriellen Rahmen zu gew?hrleisten. Das Teilprojekt Dynamische Neuronale Netz“ der Universit?t Bremen untersucht auf der theoretischen Seite die mathematisch-theoretischen Zusammenh?nge zwischen zeit-rekurrenten Neuronalen Netzen (RNNs), die auf diskreten Daten (Zeitreihen) aufbauen, und den kontinuierlichen Konzepten der Neural Ordinary Differential Equations (NODE). Ziel sind Absch?tzungen zur Approximationsgüte unter Berücksichtigung von Modellunsicherheiten.
Diese Modelle werden in Kooperation mit Beteiligten aus der Industrie zur Prognose des Strombedarfs getestet. Hauptgegenstand dieses Teilvorhabens liegt in der Entwicklung sowie Analyse dynamischer Neuronaler Netze mit Fokus auf die Energieprognose.
