Skip to main content

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

2021 | OriginalPaper | Buchkapitel

9. Integration erneuerbarer Energien – KI-basierte Vorhersageverfahren zur Stromerzeugung durch Photovoltaikanlagen

verfasst von : Boris Brandherm, Matthieu Deru, Alassane Ndiaye, Gian-Luca Kiefer, Jörg Baus, Ralf Gampfer

Erschienen in: Data Science anwenden

Verlag: Springer Fachmedien Wiesbaden

share
TEILEN

Zusammenfassung

In Deutschland entspricht die heutige Übertragungsnetztopologie häufig noch dem technischen Stand des einseitigen Energieflusses von zentralen Kraftwerken zu den Verbrauchern. Die Energiewende mit dem Ausstieg aus den Kernkraftwerken bis 2022 und dem Ausbau der erneuerbaren Energien auf Verteilnetzebene konfrontiert Niederspannungsnetze mit Herausforderungen wie z. B. unüberwachten Überlastungen oder Verletzungen des Spannungsbereichs. Zusätzlich erschwert die Volatilität von Lasten und erneuerbaren Energien die Vorhersage zukünftiger Netzzustände, die Planung von Präventivmaßnahmen und deren Anwendung im Bedarfsfall. In diesem Kapitel wird die Integration erneuerbarer Energien am Beispiel von Photovoltaikanlagen vorgestellt. Die Schritte der Integration umfassen dabei die notwendigen informationstechnischen Schritte wie Erfassung der Daten an der Photovoltaikanlage, deren Weiterleitung, Vorverarbeitung und Speicherung in einer Datenbank und deren Weiterverarbeitung durch weitere Dienste – in diesem Fall (a) durch KI-basierte Vorhersageverfahren, die die Stromerzeugung einer Photovoltaikanlage vorhersagen, und (b) nachgelagerte Dienste, die diese Vorhersagen für weitere Zwecke verwenden wie beispielsweise für eine Stromnetzberechnung zur Vorhersage zukünftiger Netzzustände oder für eine Preisbildung für den Strom an einer Stromladesäule.

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe



 


Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko





Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

Literatur
5.
Zurück zum Zitat Van Rossum G, Drake FL Jr (1995) Python tutorial. Centrum voor Wiskunde en Informatica Amsterdam, The Netherlands Van Rossum G, Drake FL Jr (1995) Python tutorial. Centrum voor Wiskunde en Informatica Amsterdam, The Netherlands
6.
Zurück zum Zitat Deru M, Ndiaye A (2020) Deep Learning mit TensorFlow, Keras und TensorFlow.js, 2., aktualisierte und erweiterte Aufl., gebunden. Rheinwerk Computing, Bonn Deru M, Ndiaye A (2020) Deep Learning mit TensorFlow, Keras und TensorFlow.js, 2., aktualisierte und erweiterte Aufl., gebunden. Rheinwerk Computing, Bonn
7.
Zurück zum Zitat Pedregosa F, u. a. (2011) Scikit-learn: machine learning in Python. J Mach Learn Res, 12(Oct): 2825–2830 Pedregosa F, u. a. (2011) Scikit-learn: machine learning in Python. J Mach Learn Res, 12(Oct): 2825–2830
9.
Zurück zum Zitat Schapire RE, Freund Y (2014) Boosting: foundations and algorithms, First MIT Press, paperback. MIT Press, Cambridge Schapire RE, Freund Y (2014) Boosting: foundations and algorithms, First MIT Press, paperback. MIT Press, Cambridge
16.
Zurück zum Zitat Peise M, u. a. (2021) „Blockchain-based local energy grids: advanced use cases and architectural considerations“, gehalten auf der IEEE Workshop on Blockchain Architectures BlockArch 2021 Peise M, u. a. (2021) „Blockchain-based local energy grids: advanced use cases and architectural considerations“, gehalten auf der IEEE Workshop on Blockchain Architectures BlockArch 2021
18.
Zurück zum Zitat Köster M, Groß J, Krüger A (2020) FANG: fast and efficient successor-state generation for heuristic optimization on GPUs. In: Wen S, Zomaya A, Yang LT (Hrsg) Algorithms and Architectures for Parallel Processing, Bd 11944. Springer International Publishing, Cham, S 223–241 CrossRef Köster M, Groß J, Krüger A (2020) FANG: fast and efficient successor-state generation for heuristic optimization on GPUs. In: Wen S, Zomaya A, Yang LT (Hrsg) Algorithms and Architectures for Parallel Processing, Bd 11944. Springer International Publishing, Cham, S 223–241 CrossRef
21.
Zurück zum Zitat Exner J-P, Krämer M, Werth D, Eitel A, Britz J, Brandherm B (2020) Integrated data and service platforms for smart energy networks as a key component for smart cities. In: Computational Science and Its Applications – ICCSA 2020, 20th International Conference, Cagliari, Italy, Proceedings, Bd V, July 1–4, 2020, S 468–483 (doi: https://​doi.​org/​10.​1007/​978-3-030-58814-4) Exner J-P, Krämer M, Werth D, Eitel A, Britz J, Brandherm B (2020) Integrated data and service platforms for smart energy networks as a key component for smart cities. In: Computational Science and Its Applications – ICCSA 2020, 20th International Conference, Cagliari, Italy, Proceedings, Bd V, July 1–4, 2020, S 468–483 (doi: https://​doi.​org/​10.​1007/​978-3-030-58814-4)
Metadaten
Titel
Integration erneuerbarer Energien – KI-basierte Vorhersageverfahren zur Stromerzeugung durch Photovoltaikanlagen
verfasst von
Boris Brandherm
Matthieu Deru
Alassane Ndiaye
Gian-Luca Kiefer
Jörg Baus
Ralf Gampfer
Copyright-Jahr
2021
DOI
https://doi.org/10.1007/978-3-658-33813-8_9

Premium Partner