dc.date.accessioned | 2014-11-07T09:10:40Z | |
dc.date.available | 2014-11-07T09:10:40Z | |
dc.date.issued | 2014-11-07 | |
dc.identifier.uri | urn:nbn:de:hebis:34-2014110746372 | |
dc.identifier.uri | http://hdl.handle.net/123456789/2014110746372 | |
dc.language.iso | ger | |
dc.rights | Urheberrechtlich geschützt | |
dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
dc.subject.ddc | 004 | |
dc.title | Einsatz von rückgekoppelten mehrstufigen selbstorganisierenden Karten in der Windenergie Leistungsprognose | ger |
dc.type | Dissertation | |
dcterms.abstract | In dieser Arbeit wird ein Verfahren zum Einsatz neuronaler Netzwerke vorgestellt, das auf iterative Weise Klassifikation und Prognoseschritte mit dem Ziel kombiniert, bessere Ergebnisse der Prognose im Vergleich zu einer einmaligen hintereinander Ausführung dieser Schritte zu erreichen. Dieses Verfahren wird am Beispiel der Prognose der Windstromerzeugung abhängig von der Wettersituation erörtert. Eine Verbesserung wird in diesem Rahmen mit einzelnen Ausreißern erreicht. Verschiedene Aspekte werden in drei Kapiteln diskutiert:
In Kapitel 1 werden die verwendeten Daten und ihre elektronische Verarbeitung vorgestellt. Die Daten bestehen zum einen aus Windleistungshochrechnungen für die Bundesrepublik Deutschland der Jahre 2011 und 2012, welche als Transparenzanforderung des Erneuerbaren Energiegesetzes durch die Übertragungsnetzbetreiber publiziert werden müssen. Zum anderen werden Wetterprognosen, die der Deutsche Wetterdienst im Rahmen der Grundversorgung kostenlos bereitstellt, verwendet.
Kapitel 2 erläutert zwei aus der Literatur bekannte Verfahren - Online- und Batchalgorithmus - zum Training einer selbstorganisierenden Karte. Aus den dargelegten Verfahrenseigenschaften begründet sich die Wahl des Batchverfahrens für die in Kapitel 3 erläuterte Methode.
Das in Kapitel 3 vorgestellte Verfahren hat im modellierten operativen Einsatz den gleichen Ablauf, wie eine Klassifikation mit anschließender klassenspezifischer Prognose. Bei dem Training des Verfahrens wird allerdings iterativ vorgegangen, indem im Anschluss an das Training der klassenspezifischen Prognose ermittelt wird, zu welcher Klasse der Klassifikation ein Eingabedatum gehören sollte, um mit den vorliegenden klassenspezifischen Prognosemodellen die höchste Prognosegüte zu erzielen. Die so gewonnene Einteilung der Eingaben kann genutzt werden, um wiederum eine neue Klassifikationsstufe zu trainieren, deren Klassen eine verbesserte klassenspezifisch Prognose ermöglichen. | ger |
dcterms.abstract | In this work, a method in the theory of neural networks is
presented. This method iteratively combines classification and
regression steps. The goal of this combination is an improved
regression quality in comparison to a one-way sequential application
of both steps. As an example the forecast of wind power production
depending on a given weather forecast is discussed. An improvement of
the forecast quality, in presence of individual outliers, is achieved.
The various aspects are discussed in three chapters:
In Chapter 1, the relevant data and aspects of computational
constraints are discussed. The data consists of the projected power
production of wind power plants in the Federal Republic of Germany
during 2011 and 2012. This data has to be published according to the
transparency requirements of the German renewable energy law by the
Transmission System Operators. The weather forecasts are published as
part of the basic service level of the German Weather Service.
Chapter 2 introduces the well-known self-organizing map and discusses
aspects of online and batch training algorithms. This discussion leads
to the choice of the batch algorithm in the design of the methodology
presented in chapter 3. Some other basic concepts are also presented
in preparation for the next chapter.
In Chapter 3 the iterative combination of classification and
regression steps is presented. After the initial classification, the
training alternates between the training of the classification and the
regression step. The regression step is trained by the usual
method. For each class of inputs a regression model is generated by
minimizing the regression error. Subsequently the classification step
is retrained in a supervised way to group data together for which the
same regression model has a good performance. | eng |
dcterms.accessRights | open access | |
dcterms.creator | Conz, Andreas Christian | |
dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich 16 Elektrotechnik/Informatik | |
dc.contributor.referee | Werner, Heinrich (Prof. i.R. Dr.) | |
dc.contributor.referee | Wegner, Lutz (Prof. Dr.) | |
dc.subject.swd | Windenergie | ger |
dc.subject.swd | Elektrizitätserzeugung | ger |
dc.subject.swd | Elektrische Leistung | ger |
dc.subject.swd | Prognose | ger |
dc.date.examination | 2013-09-27 | |