Abstract
Aufgrund der Dargebotsabhängigkeit und der mangelnden Speicherbarkeit von einem steigenden Anteil variabler erneuerbarer Energiequellen in elektrischen Energiesystemen entstehen neue Herausforderungen für Entscheidungsträger und Netzplaner. Dies erfordert die Entwicklung neuer Optimierungsmodelle, welche chronologisch verknüpfte Perioden berücksichtigen, indem diese zu größeren Zeiteinheiten aggregiert werden (z. B. Tage oder Wochen). Solche Aggregationsmodelle sind jedoch häufig empirisch und basieren auf allgemeinen Clustering-Algorithmen. In dieser Arbeit wird eine numerische Erforschung der Beziehung zwischen der Struktur des Systems und den sog. Hyperparametern, notwendig für die Zeitreihenaggregation, durchgeführt. Die Ergebnisse zeigen, dass wertvolle Informationen des Energiesystems verwendet werden können, um die Aggregation zu verbessern. Die Bedeutung dieser Ergebnisse liegt in der Tatsache, dass die Genauigkeit der Aggregation in den meisten Fällen nicht exakt gemessen werden kann.
Titel in Übersetzung | Aggregation von Input-Daten für Energiesystemmodelle |
---|---|
Originalsprache | englisch |
Seiten (von - bis) | 673-681 |
Seitenumfang | 9 |
Fachzeitschrift | Elektrotechnik und Informationstechnik |
Jahrgang | 139 |
Ausgabenummer | 8 |
DOIs | |
Publikationsstatus | Veröffentlicht - Dez. 2022 |
Schlagwörter
- Clustering
- Data aggregation
- Machine learning
- Power system optimization
ASJC Scopus subject areas
- Elektrotechnik und Elektronik