Advertisement

Analyse und Modellierung des Energiebedarfs

  • Wolfgang SchellongEmail author
Chapter
  • 6.3k Downloads

Zusammenfassung

Die Analyse der Einflussfaktoren auf den Energiebedarf besitzt große Bedeutung sowohl für Energieversorger als auch für Energieverbraucher. Prognosetools zur Berechnung des Energiebedarfs tragen zur effizienten Energiebereitstellung und -nutzung bei. Die Lastprognose beinhaltet die Vorhersage des künftigen zeitlichen Verlaufs des Verbrauchs von Strom, Wärme, Gas oder anderen eingesetzten Energieformen. Die Berechnung der Vorhersage erfolgt mithilfe mathematischer Modelle auf der Basis von historischen Lastverläufen unter Einbeziehung von aktuellen Produktions- und Klimadaten sowie weiterer signifikanter Einflussfaktoren. Wir konzentrieren uns in diesem Kapitel auf die Beschreibung von Regressionsmodellen für den Strom- und Wärmebedarf eines Versorgungsgebiets sowie auf die Anwendung von künstlichen neuronalen Netzen zur Entwicklung von Lastprognoseverfahren.

Literatur

  1. 1.
    Maubach K, Wiemer H, Verstege J, Hauser M (1995) Rechnergestützte Energieeinsatzoptimierung als Planungs- und Betriebsführungswerkzeug in einem Querverbundunternehmen. VDI-Berichte Nr. 1226. VDI-Verlag DüsseldorfGoogle Scholar
  2. 2.
    VDI-Richtlinie 4661 (2014) Energiekenngrößen – Grundlagen – Methodik. Beuth, BerlinGoogle Scholar
  3. 3.
    DIN V 18599 (2012) Energetische Bewertung von Gebäuden. Beuth, BerlinGoogle Scholar
  4. 4.
    Maaß R, Schellong W, Steinmetz K (1993). Rechnergestützte Fahrweiseoptimierung für einen Fernwärmeverbund, Bd 22 Fernwärme International, AGFW, Frankfurt a. M., S 336–346Google Scholar
  5. 5.
    European Network of Transmission System Operators for Electricity (2014) Stromlastdaten für Deutschland. https://www.entsoe.eu/db-query/country-packages/production-consumption-exchange-package. Zugegriffen: 15. Okt. 2015
  6. 6.
    Bundesamt für Energie BFE (2009) Validierung und Verbesserung von Lastprognosen. http://www.bfe.admin.ch. Zugegriffen: 14. Juli 2014
  7. 7.
    Hong W (2013) Intelligent energy demand forecasting. Springer, LondonCrossRefGoogle Scholar
  8. 8.
    Schellong W (2011) Energy demand analysis and forecast. In: Kini PG (Hrsg) Energy management. InTech Open Access Publisher, RijekaGoogle Scholar
  9. 9.
    Vereinigung Deutscher Elektrizitätswerke e. V. (2000) Umsetzung der analytischen Lastprofilverfahren: Step-by-step. VDEW-Materialien, Frankfurt a. M.Google Scholar
  10. 10.
    Deutscher Wetterdienst (2014) Testreferenzjahre (TRY). http://www.dwd.de/DE/klimaumwelt/klimaforschung/spez_themen/try. Zugegriffen: 15. Okt. 2015
  11. 11.
    Bundesverband Erneuerbare Energie e. V. (2013) Möglichkeiten zum Ausgleich fluktuierender Einspeisungen aus Erneuerbaren Energien. http://www.bee-ev.de/home/publikationen/studien/1/. Zugegriffen: 15. Okt. 2015
  12. 12.
    Backhaus K, Erichson B, Plinke W, Weiber R (2011) Multivariate Analysemethoden. Springer-Verlag, BerlinCrossRefzbMATHGoogle Scholar
  13. 13.
    Gobmaier T (2013) Entwicklung und Anwendung einer Methodik zur Synthese zukünftiger Verbraucherlastgänge. Dissertation TU MünchenGoogle Scholar
  14. 14.
    Zell A (2000) Simulation neuronaler Netze. Oldenbourg Verlag, MünchenGoogle Scholar
  15. 15.
    Bundesverband Kraft-Wärme-Kopplung e. V. (2014) KWK in Wärmenetzen. http://www.bkwk.de/themennavigation/waermenetze/kwk_in_waermenetzen/. Zugegriffen: 15. Okt. 2015

Copyright information

© Springer-Verlag Berlin Heidelberg 2016

Authors and Affiliations

  1. 1.Technische Hochschule KölnKölnDeutschland

Personalised recommendations