Skip to main content

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

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

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 haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 102.000 Bücher
  • über 537 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 Wissensvorsprung sichern!

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

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




 

Jetzt Wissensvorsprung sichern!

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

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




Jetzt Wissensvorsprung sichern!

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
11.
Zurück zum Zitat Gashler M, Giraud-Carrier C, Martinez T (2008) Decision tree ensemble small heterogeneous is better than large homogeneous. In: 2008 Seventh International Conference on Machine Learning and Applications. IEEE, San Diego, S 900–905 (doi: https://doi.org/10.1109/ICMLA.2008.154) Gashler M, Giraud-Carrier C, Martinez T (2008) Decision tree ensemble small heterogeneous is better than large homogeneous. In: 2008 Seventh International Conference on Machine Learning and Applications. IEEE, San Diego, S 900–905 (doi: https://​doi.​org/​10.​1109/​ICMLA.​2008.​154)
12.
Zurück zum Zitat Brandherm B, Baus J, Frey J (2012) Peer energy cloud – civil marketplace for trading renewable energies. In: 2012 Eighth International Conference on Intelligent Environments, Guanajuato, Juni 2012, S 375–378 (doi: https://doi.org/10.1109/IE.2012.46) Brandherm B, Baus J, Frey J (2012) Peer energy cloud – civil marketplace for trading renewable energies. In: 2012 Eighth International Conference on Intelligent Environments, Guanajuato, Juni 2012, S 375–378 (doi: https://​doi.​org/​10.​1109/​IE.​2012.​46)
13.
15.
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
17.
Zurück zum Zitat Köster M, Groß J, Krüger A (2019) Parallel tracking and reconstruction of states in heuristic optimization systems on GPUs. In: 2019 20th International Conference on Parallel and Distributed Computing, Applications and Technologies (PDCAT), Gold Coast, Dez. 2019, S 25–30 (doi: https://doi.org/10.1109/PDCAT46702.2019.00016) Köster M, Groß J, Krüger A (2019) Parallel tracking and reconstruction of states in heuristic optimization systems on GPUs. In: 2019 20th International Conference on Parallel and Distributed Computing, Applications and Technologies (PDCAT), Gold Coast, Dez. 2019, S 25–30 (doi: https://​doi.​org/​10.​1109/​PDCAT46702.​2019.​00016)
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 223–241CrossRef 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 223–241CrossRef
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