Vielen Dank für Ihren Besuch auf nature.com.Sie verwenden eine Browserversion mit eingeschränkter CSS-Unterstützung.Um die beste Erfahrung zu erzielen, empfehlen wir Ihnen, einen aktuelleren Browser zu verwenden (oder den Kompatibilitätsmodus im Internet Explorer zu deaktivieren).In der Zwischenzeit zeigen wir die Website ohne Stile und JavaScript an, um eine kontinuierliche Unterstützung zu gewährleisten.Nature Communications Band 13, Artikelnummer: 4593 (2022) Diesen Artikel zitierenDie Dynamik des Stromverbrauchs ist ein wesentlicher Baustein für die Planung und den Betrieb nachhaltiger Energiesysteme.Während Variationen in der Dynamik der erneuerbaren Energieerzeugung ziemlich gut untersucht sind, fehlt noch ein tieferes Verständnis der Variationen in der Verbrauchsdynamik.Hier analysieren wir hochaufgelöste Stromverbrauchsdaten österreichischer, deutscher und britischer Haushalte und schlagen ein allgemein anwendbares datengetriebenes Lastmodell vor.Insbesondere entwirren wir die durchschnittlichen Nachfrageprofile von den Nachfrageschwankungen, die ausschließlich auf Zeitreihendaten basieren.Wir führen ein stochastisches Modell ein, um die stark intermittierenden Nachfrageschwankungen quantitativ zu erfassen.Dadurch bieten wir ein besseres Verständnis der Nachfragedynamik, insbesondere ihrer Schwankungen, und stellen allgemeine Werkzeuge zur Verfügung, um die mittlere Nachfrage und Schwankungen für ein bestimmtes System zu entwirren, die über das Standardlastprofil (SLP) hinausgehen.Unsere Einblicke in die Nachfragedynamik können die Planung und den Betrieb zukunftsfähiger (Mikro-)Netze unterstützen, um das Angebot-Nachfrage-Gleichgewicht aufrechtzuerhalten.Elektrische Energie ist ein wesentlicher Bestandteil des täglichen Lebens und wird kontinuierlich erzeugt, übertragen, gespeichert und schließlich verbraucht.Die Stromerzeugung und -speicherung muss jederzeit dem dynamischen Verbrauch von Haushalten, Industrie und anderen Sektoren entsprechen.Um das Gleichgewicht zwischen dem von den Energieversorgern erzeugten Strom und dem von den Verbrauchern verbrauchten Strom aufrechtzuerhalten, müssen die Energieversorger den Strombedarf aller Verbrauchersektoren über einen breiten Zeitbereich von Sekunden bis zu Tagen schätzen.Die Abschätzung der typischen Schwankungen des Strombedarfs im Tagesverlauf ergibt ein Lastprofil, das entweder durch die Definition einer Methodik zur Extraktion eines Lastprofils aus empirischen Daten, die Erstellung eines Modells oder eine Kombination aus beidem gewonnen werden kann.Die Forschung zur Entwicklung von Lastprofilen reicht mindestens bis in die 1940er Jahre zurück1, jedoch wird die Frage nach einem präzisen, hochauflösenden Lastprofil immer dringlicher aufgrund des Bevölkerungswachstums, elektrischer Heizsysteme, elektrischer Fahrzeuge für den Transport, Solar Home Systems sowie der zunehmende Anteil fluktuierender Einspeisung erneuerbarer Energien (EE) und der Aufbau dezentraler Stromnetze, insbesondere Smart Grids.1999 wurde das erste methodisch systematische deutsche Haushaltslastprofil, bekannt als H0-Standardlastprofil (H0-SLP), entwickelt2 und wird seither unverändert mindestens in Deutschland und Österreich verwendet3, siehe auch Anhang 6 für Übersetzungen davon Deutschsprachige Referenzen.Wir konzentrieren uns hier auf den Haushaltssektor, der etwa 29 % des gesamten Stromverbrauchs in der Europäischen Union4 verbraucht, und es wird erwartet, dass sein Stromverbrauch aufgrund der Elektrifizierung sowohl des Verkehrs als auch des Heizsystems erheblich zunehmen wird.Obwohl anfänglich Haushaltslastprofile eine zeitliche Auflösung von etwa einer Stunde verwendeten, haben neuere Modelle aufgrund der neueren Verfügbarkeit von hochaufgelösten Datensätzen des Stromverbrauchs und der Verwendung von intelligenten Zählern in ausgewählten Häusern eine zeitliche Auflösung von bis einschließlich einer Sekunde, siehe Ergänzende Anmerkung 1. Diese neuen Datensätze ermöglichen den Netzbetreibern, den Stromverbrauch einzelner Häuser mit hoher zeitlicher Auflösung zu erfassen.Mehrere frühere Studien5,6,7 analysierten Datensätze mit hoher zeitlicher Auflösung und berichteten über das Vorhandensein extremer und signifikanter Belastungsspitzen, die für Datensätze mit zeitlichen Auflösungen von 15 min bis 1 h nicht berichtet wurden.Ein strukturierter Ansatz, um diese hochauflösenden Datensätze in nutzbare Lastprofile zu übersetzen, ist jedoch bisher nicht ohne Weiteres verfügbar.Daher analysieren wir in dieser Arbeit zunächst hochaufgelöste Stromverbrauchsdaten für Wohngruppen in Österreich, Deutschland und Großbritannien.Unsere datengetriebene Analyse weist auf das Potenzial für starke Schwankungen und hohe Unvorhersehbarkeiten in den Verteilnetzen hin, siehe „Komplexe Nachfragedynamik – die Notwendigkeit neuer Lastprofile“.Basierend auf dieser Analyse führen wir ein Lastmodell ein, in dem wir ein durchschnittliches Lastprofil von den Schwankungen über der Basislinie trennen.Dadurch erhalten wir ein neues Lastprofil, das mit hochauflösenden Stromverbrauchsdaten konsistent ist.Ein wichtiger Grund für ein hochaufgelöstes Lastprofil ist, wie oben erwähnt, der zunehmende Anteil der EE-Einspeisung.Im Gegensatz zu elektrischer Energie, die aus der Verbrennung fossiler Brennstoffe erzeugt wird, ist die EE-Einspeisung wetterabhängig, intermittierend und sehr variabel8,9,10.Dadurch wird es schwieriger, Angebot und Nachfrage auszugleichen.Da der Anteil der erneuerbaren Einspeisung zunimmt, konzentriert sich die neuere und aktuelle Forschung auf ein tieferes Verständnis des durch EE erzeugten Stroms sowie auf fortschrittliche Ansätze zum Ausgleich von Angebot und Nachfrage, z. B. durch Lastverschiebung11,12.Im Gegensatz dazu ist die Dynamik des Stromverbrauchs, insbesondere auf der Ebene der Haushalte, weitestgehend unverstanden, teilweise weil Stromverbrauchsdaten schwer zu beschaffen sind.In diesem Artikel bieten wir eine Methode zum (a) Extrahieren einer neuen Art von Lastmodell aus einem gegebenen Satz von Verbrauchsdaten an, um die grundlegende Nachfragedynamik im Laufe eines Tages (durchschnittliches Lastprofil, ALP) und die Schwankungen darüber zu entwirren dieser Baseline (stochastisches Fluktuationsprofil, SFP) und (b) besseres Verständnis der Verbrauchernachfragedynamik.Unter Berücksichtigung verfügbarer mikroskopischer Daten ist das Modell in der Lage, (i) die Nachfrage von bereits mittelgroßen Verbrauchergruppen mit (ii) hoher zeitlicher Auflösung zu charakterisieren und (iii) auf eine Reihe von Daten anwendbar zu sein, einschließlich derer, die in der Zukunft aufgezeichnet werden ( und nicht auf die in diesem Artikel analysierten beschränkt).Zusammen gehen diese Merkmale und Fähigkeiten weit über das hinaus, was das Standardlastprofil (H0 SLP) bietet, und unser Ansatz unterscheidet sich von neueren komplementären Ansätzen, da unser Modell keine mikroskopischen Parameter für Verbraucherverhalten, Verbrauchergeräte, Hausinfrastruktur oder andere Merkmale erfordert andere Modelle hängen davon ab.Nachdem wir die Notwendigkeit eines neuen Nachfragemodells detaillierter geprüft haben (siehe Abschnitt „Komplexe Nachfragedynamik – die Notwendigkeit neuer Lastprofile“), analysieren wir die über mehrere Wochen gemessenen Stromverbrauchsdaten von deutschen, österreichischen und britischen Haushalten.Wir trennen die Schwankungen in der Verbrauchsdynamik in zwei Hauptfaktoren, das durchschnittliche Lastprofil (ALP) und die Statistik der kurzzeitigen Schwankungen des ALP.Zuerst extrahieren wir durch die Anwendung der empirischen Modenzerlegung (EMD)13 das durchschnittliche Lastprofil aus den Zeitreihendaten.Dieser extrahierte Trend erfasst die Nachfrage viel genauer als das häufig verwendete H0-SLP (siehe Abschnitt „Nachfragetrend: Moduszerlegung“).Als nächstes verwenden wir Superstatistiken, um die Schwankungen um diesen Trend herum in ein stochastisches Schwankungsprofil (SFP) zu modellieren.Durch die Kombination der Trend- und Schwankungsanalyse reproduzieren wir erfolgreich ein synthetisches, hochauflösendes Lastprofil, das ein vollständiges datengesteuertes Lastprofil (DLP) ergibt.Unser Modellierungsansatz lässt sich leicht auf andere Datensätze übertragen.Um eine solche Übertragung zu erleichtern, stellen wir ausführbaren Code zur Verfügung (siehe Abschnitt „Bedarfsschwankungen: stochastisches Modell“).Dabei entwickeln wir eine Lastprofilmethodik, die auf bestehende Stromnetze und Datensätze anwendbar ist, und stellen auch die Werkzeuge zur Verfügung, um Lastprofile in verschiedenen Regionen und unter verschiedenen Randbedingungen zu extrahieren, beispielsweise für Microgrids mit hohen Anteilen an Eigenerzeugung oder Elektroautos .Ungeachtet der jüngsten Fortschritte verwenden Energieversorger immer noch hauptsächlich die älteren Lastprofile, wie beispielsweise das H0-Standardlastprofil, das nur eine zeitliche Auflösung von 15 Minuten hat.In Deutschland wurde 1999 das Einheitslastprofil (H0 SLP) eingeführt. 90 Prozent der bei seiner Erstellung verwendeten Wohnlastdaten wurden in den 1970er Jahren oder früher mit stündlicher zeitlicher Auflösung gemessen.Nur 10 % der gemessenen Belastungsdaten hatten eine zeitliche Auflösung von 15 min.Hier überprüfen wir einige der jüngsten Fortschritte in Richtung eines modernen Lastprofils und gehen auf die anhaltende Notwendigkeit eines allgemein gültigen Verbrauchsrahmens ein, den wir in den nächsten Abschnitten vorstellen.Zur Beschreibung eines Haushaltslastprofils existieren drei bekannte Modellklassen.Top-down- oder bedingte Bedarfsanalysemodelle sind Abwärtsmodelle, die die Gesamtstromverbrauchsschätzungen mehrerer Haushalte sowie Makrovariablen verwenden, um die Dynamik des Haushaltsenergieverbrauchs durch die Erstellung von Haushaltslastprofilen zu modellieren14,15.Bottom-up-Modelle verwenden Mikrovariablen als Input, wie z. B. die Anzahl der aktiven Bewohner, den Energiebedarf und die Nutzungsdauer der Geräte usw. Sie verwenden auch häufig Markov-Ketten, um Haushaltslastprofile zu erstellen16,17.Schließlich verwenden hybride Modelle eine Kombination der Techniken, die in Top-Down- und Bottom-Up-Modellen verwendet werden, um ein Statistical Adjusted Engineering (SAE)-Modell aufzubauen18.Eine detaillierte Analyse der Anwendung dieser Modelle wurde kürzlich in Lit.19. Derzeit gibt es viele Bedarfsanalysemodelle, die tägliche Stromlastprofile für Privathaushalte generieren können, siehe Ergänzende Anmerkung 1,1,20 für Einzelheiten.Nur wenige dieser Modelle verwenden eine hohe zeitliche Auflösung in der Größenordnung von Sekunden, und diese erfordern viele Mikroparameter, was uns immer noch die Notwendigkeit eines genauen, hochauflösenden und einfach zu verwendenden Lastprofils übrig lässt aufgetreten.Ein Fokus auf die höhere zeitliche Auflösung ist notwendig, um moderne Verbrauchsmuster vollständig zu verstehen und schnell darauf zu reagieren, beispielsweise auf Störungen, die durch Eingangsschwankungen oder regulatorische oder Handelsanomalien verursacht werden21.Jüngste statistische Untersuchungen zum Energieverbrauch (siehe beispielsweise Lit. 6 und 7) zeigen, dass wesentliche Unterschiede zwischen den statistischen Merkmalen des hochaufgelösten Energieverbrauchs und dem Verbrauch auf einer 15-Minuten-Zeitskala bestehen.Die Analyse des Stromverbrauchs auf der kurzen Zeitskala von Sekunden bis zu einer Minute zeigt extreme Verbrauchsspitzen, die im 15-Minuten-Lastprofil vollständig ignoriert werden6.In Abb. 1a, b ist ein Vergleich des H0-SLP mit den Lastprofilen zweier zeitlich hochaufgelöster Wohndatensätze, gemessen in Deutschland und Österreich, dargestellt.Der österreichische Datensatz wurde 2009–2010 im Rahmen des ADRES-Projekts22 erhoben.Der deutsche Datensatz wurde zwischen 2013 und 2016 im Rahmen des NOVAREF-Projekts23 erhoben.In Ergänzender Anmerkung 2 berichten wir weiter über Analysedatensätze zu 70 Haushalten, die im August und September 2019 in Deutschland während des ENERA-Projekts aufgezeichnet wurden.a Wir vergleichen den H0-SLP mit den gemittelten realen Verbrauchsdaten eines einzigen Wintertages für das NOVAREF-Projekt, den deutschen Datensatz, der zwischen 2013 und 2016 mit 12 Häusern aufgezeichnet wurde, und das ADRES-Projekt, den österreichischen Datensatz, der zwischen 2009 und 2010 aufgezeichnet wurde, einschließlich 30 Häuser.Die gemittelten realen Verbrauchsdaten entstehen, indem man den erfassten Stromverbrauch aller Häuser im gemessenen Zeitintervall nimmt und daraus \({P}_{avg}(t)=\frac{1}{N}\mathop{ \sum }\nolimits_{i}^{N}{P}_{{h}_{i}}(t)\) , wobei \({P}_{{h}_{i}}\) ist der gemessene Stromverbrauch jedes Hauses und N ist die Anzahl der Häuser, die für die NOVAREF- und ADRES-Daten 12 bzw. 30 beträgt.Alle drei Datensätze wurden auf eine Abtastrate von 2 s (0,5 Hz) upgesampelt.Der H0-SLP erfasst nicht nur den richtigen Tagestrend, sondern wir beobachten auch große Schwankungen des Verbrauchs auf kurzen Zeitskalen.b Zeigt die gleichen Datensätze in 15-Minuten-Auflösung, um die zeitliche Auflösung zu emulieren, die zur Generierung des H0-SLP verwendet wurde.Hier ist das Scheitern des H0-SLP, den richtigen Tagestrend zu erfassen, noch ausgeprägter.c, d zeigen jeweils den erfassten Haushaltsstromverbrauch im Winter (1. Januar 2017) und Sommer (30. Juni 2017) mit und ohne Photovoltaik sowie die Stromerzeugung des auf dem Hausdach installierten PV-Moduls bei einer Probenahme Rate von einer Minute (PV-Datenquelle: 70).Beachten Sie die kleineren Spitzen, die in den Feldern (a, b) sichtbar sind, da die Daten für NOVAREF und ADRES über 12 bzw. 30 Häuser gemittelt sind, während in den Feldern c und d nur ein einzelner Haushalt gezeigt wird.Wie in Abb. 1a, b zu sehen ist, weichen die gemittelten Eintageslastprofile sowohl des ADRES- als auch des NOVAREF-Datensatzes stark vom H0-SLP ab.Insbesondere der Trend (Mittelwert) des Lastprofils der gemessenen Daten wird durch das H0-SLP nicht gut beschrieben, und die Schwankungen auf kurzen Zeitskalen sind signifikant (siehe „Nachfragetrend: Moduszerlegung“).Darüber hinaus zeigt die Analyse der Statistiken des hochaufgelösten Stromverbrauchs das Vorhandensein von nicht-Gaußschen, intermittierenden und asymmetrischen Schwankungen, die bei der Gestaltung von Steuerungs- und Steuerungsmechanismen auf der Nachfrageseite berücksichtigt werden müssen, siehe „Bedarfsschwankungen: stochastisches Modell“. und Ergänzende Anmerkung 4.Wie Abb. 1a, b verdeutlicht, weichen die H0-SLP-Daten deutlich von dem durch die NOVAREF- und ADRES-Daten angezeigten Verbrauchsmuster ab.Dafür gibt es drei Hauptgründe.Erstens ist die H0-SLP aufgrund fehlender Eingabe mikroskopischer Daten kaum in der Lage, den Stromverbrauch genau zu erfassen.Zweitens basiert der H0-SLP auf Daten, die hauptsächlich in den 1960er und 1970er Jahren gemessen wurden, wobei ein kleiner Teil gegen Ende der 1990er Jahre gemessen wurde.Seitdem haben sich das Stromverbrauchsverhalten und die Geräte drastisch verändert.Drittens stimmt eine moderate Anzahl von Verbrauchern (z. B. eine Gruppe von 12 Häusern, die in dieser Arbeit betrachtet wird) normalerweise nicht mit einem Gesamtdurchschnitt für eine größere Gruppe von Verbrauchern überein (was zu einem Ergebnis führen könnte, dessen Verbrauchsmuster näher am H0-SLP liegen könnte). .Einige der beobachteten stochastischen Eigenschaften könnten durch die verstärkte Nutzung neuer Stromerzeugungs- und neuer Verbrauchsgeräte erklärt werden, zum Beispiel Dach-Photovoltaik-Module (PVs) und elektronische Geräte wie elektrische Heizsysteme, Smartphones, Tablets, Roboter-Staubsauger, Elektrofahrzeuge usw .24.Durch den Einsatz solcher Geräte wird die Lastdynamik und insbesondere deren zeitabhängiger Mittelwert – das Lastprofil – beeinflusst und verändert.Wie in Abb. 1c, d dargestellt, kann der Verbrauch sogar negative Werte erreichen, wenn Häuser direkt an lokale EE-Ressourcen angeschlossen sind25.Diese negativen Werte sind jedoch geringer oder gehen im Winter aufgrund der Reduzierung der PV oder des Einsatzes von Elektroheizungen sogar auf Null.Lokale Schwankungen in der Solar- und Winderzeugung können ferner zu gleichzeitigen Lastprofilspitzen führen, sowohl positiv als auch negativ.Daher ist die genaue Analyse und Modellierung des Stromverbrauchs von Haushalten auf einer kurzen Zeitskala unerlässlich, um die Stabilität verteilter Netze zu gewährleisten.Neben der Installation von mehr Vor-Ort-Erzeugungen im Wohnsektor führt der Ersatz von fossil betriebenen Autos durch Elektroautos, die mit Haushaltsstrom geladen werden, zu Veränderungen in der Form des Lastprofils der Haushalte, insbesondere bei der Organisation von Verbrauchern in Microgrids26 , siehe auch Anhang 2. Da wir mit einer zunehmenden Anzahl solcher Elektroautos sowie einer zunehmenden Durchdringung stark schwankender EE-Stromerzeugung rechnen, ist ein neues datengetriebenes Lastprofil auf Basis moderner und hochaufgelöster Messungen dringend erforderlich.Wie oben erwähnt, werden extreme Verbrauchsspitzen im 15-Minuten-Lastprofil komplett ignoriert, da sie herausgemittelt werden.Diese Spitzen sind jedoch von besonderer Bedeutung für Verteilnetze mit niedrigerer Spannung, in denen der gleichzeitige Verbrauch die Verbrauchsmuster lokal oder auf Länderebene dominieren kann, z. B. aufgrund synchronisierter Aktivitäten bei Großveranstaltungen (z. B. Sport), wie z. B. der Fernsehaufnahme in Großbritannien27 sowie Schwankungen der Netzfrequenzen in Deutschland und den USA während des Halbfinalspiels der Weltmeisterschaft 2010 und des Super Bowl28,29.Ein bekanntes einfaches Maß, um den gleichzeitigen Stromverbrauch zwischen Haushalten zu quantifizieren und darüber hinaus zu sehen, wie diese Koinzidenz von der Anzahl der Haushalte abhängt, ist der Diversitätsfaktor zwischen Haushalten30.Um den Diversitätsfaktor zwischen den Haushalten zu bestimmen, werten wir zuerst die maximale gleichzeitige Nachfrage, Pcd, und die nicht koinzidente Nachfrage, Pncd, jeweils in 15-Minuten- und 1-Tages-Zeitfenstern aus.Dazu summieren wir alle 15 min den maximalen Strombedarf aller Häuser und dividieren dann den Pcd durch die Summe des maximalen Strombedarfs aller Häuser im Tagesverlauf, also Pncd.Der Diversitätsfaktor variiert von null bis eins, wobei null keinen übereinstimmenden Stromverbrauch zwischen den Haushalten anzeigt, während ein Diversitätsfaktor gleich eins starke Übereinstimmung anzeigt.Als Beispiel ist der Diversitätsfaktor des ADRES-Datensatzes, der 14 Tage lang alle 15 Minuten abgetastet wurde, in Abb. 2a dargestellt.Um die Interaktion zwischen den Häusern während eines Tages klar darzustellen, (i) die Energieverbrauchskurve aller 30 Haushalte (in grau);(ii) die maximale gleichzeitige Nachfrage (in rot) und (iii) die nicht gleichzeitige Nachfrage (in lila) zwischen 6:00 bis 6:15 (Abb. 2b) und 11:30 bis 11:45 (Abb. 2c) für Tag 13 sind in Fig. 2b, c gezeigt.a zeigt den Diversitätsfaktor bzw. das Verhältnis zwischen gleichzeitiger Nachfrage, Pcd, und nicht übereinstimmender Nachfrage, Pncd, von 30 Haushalten, die zum ADRES-Datensatz gehören, alle 15 Minuten und für 14 Tage.Es ist klar, dass es einige Zeitintervalle während eines Tages gibt, deren Diversitätsfaktor 0,6 erreicht.b, c zeigen jeweils den Verlauf des Energieverbrauchs aller 30 Haushalte von 6:00 bis 6:15 und 11:30 bis 11:45.Aus den Zahlen geht hervor, dass der Energieverbrauch aller Häuser gegen 6:00 Uhr niedrig ist und dann gegen 11:00 Uhr allmählich zusammen ansteigt und folglich die Differenz zwischen Pcd und Pncd abnimmt, was die offensichtliche Wechselwirkung zwischen den Strom verbrauchenden Häusern beweist.Betrachtet man die Verläufe der Haushalte, wird deutlich, dass der Energieverbrauch aller Häuser zu Beginn des Tages niedrig ist und dann bis etwa 11:00 Uhr allmählich ansteigt.Somit steigt der Wert des Diversity-Faktors, der das Verhältnis zwischen übereinstimmender Nachfrage (Pcd) und nicht übereinstimmender Nachfrage (Pncd) ist, tagsüber an.Dies beweist die Wechselwirkung zwischen dem Bedarf der Haushalte während des Tages und ist der Grund, warum die signifikanten Spitzen im durchschnittlichen Energieverbrauch nach der Mittelung nicht verschwinden.Um die Beziehung zwischen dem Wert des Diversitätsfaktors und der Anzahl der Haushalte aufzuzeigen, berechnen wir den Diversitätsfaktor für die NOVAREF- und ENERA-Datensätze, die aus 12 bzw. 70 Haushalten bestehen, in der ergänzenden Anmerkung 2. Unsere Ergebnisse zeigen, dass die Die Werte des Diversitätsfaktors sind während eines Tages nicht Null, selbst für die 70 ENERA-Häuser, und für einige Zeitintervalle liegt der Diversitätsfaktor zwischen 0,3 und 0,4 oder sogar noch höher (maximal 0,6).Dies zeigt an, dass unabhängig von der Anzahl der Häuser während bestimmter Zeitintervalle (z. B. Mittag- und Abendessen) eine gleichzeitige Nachfrage stattfindet und Spitzen während dieser Zeit nicht gemittelt werden.Dies führt zu einem spitzen Lastprofil, wie z. B. dem eintägigen gemittelten ENERA-Lastprofil, siehe auch Ergänzende Anmerkung 1.In den nächsten Abschnitten stellen wir eine allgemein anwendbare Methodik zur Erstellung von Wohnlastprofilen vor und demonstrieren ihre Anwendbarkeit durch Vergleiche mit in Deutschland und Österreich gemessenen Stromverbrauchsdatensätzen sowie dem Industriestandard-Lastprofil.Im nächsten Abschnitt („Nachfragetrend: Moduszerlegung“) stellen wir eine Methodik vor, um das gemittelte Lastprofil (ALP) zu extrahieren.In diesem Abschnitt stellen wir eine Methodik vor, mit der das Averaged Load Profile (ALP) aus Datensätzen mit hoher zeitlicher Auflösung extrahiert und das Lastprofil einer ganzen Woche erstellt wird.Letztere berücksichtigt explizit nicht nur die bestehenden Unterschiede zwischen Werktagen und Wochenenden ebenso wie die H0-SLP, sondern im Gegensatz zur H0-SLP auch die Unterschiede zwischen verschiedenen Wochentagen.Der wesentliche Vorteil des ALP gegenüber dem H0-SLP besteht darin, dass es nur wenige Wochen an hochauflösenden Messdaten benötigt und daher sowohl auf kleine Stadtteile als auch auf ganze Städte angewendet werden kann.Darüber hinaus ist sein einziger Input der Stromverbrauch der Häuser, im Gegensatz zu den meisten bestehenden Modellen, die auf zahlreichen mikro- oder makroskopischen Parametern reagieren.Infolgedessen kann es problemlos verwendet werden, um sowohl gegenwärtige als auch zukünftige Stromversorgungssysteme von Wohngebäuden zu analysieren, die neue Technologien und Geräte enthalten können (siehe auch Ergänzende Anmerkung 5 für Anwendungen zu einer anderen Jahreszeit und einem anderen Datensatz).Aufgrund der hohen zeitlichen Auflösung der von uns verwendeten Datensätze hat das extrahierte ALP eine höhere Genauigkeit als das H0-SLP.Es ist daher eine gute Alternative zur Verwendung anstelle des H0-SLP und könnte insbesondere bei der Untersuchung oder dem Betrieb von Microgrids bessere und genauere Ergebnisse liefern (eine ausführliche Diskussion zum Thema finden Sie unter „Diskussion“).In seiner jetzigen Form kann das ALP den Wochenverlauf des Lastprofils einer Häusergruppe erfassen (zwischen 12 und 70 Häuser wurden getestet).Um den ALP zu erstellen, extrahieren wir zunächst den Verbrauchstrend von vier aufeinanderfolgenden Wochen (oder sieben aufeinanderfolgenden Wochentagen oder Wochenenden) aus hochauflösenden Stromverbrauchsdatenmessungen, wie in den ergänzenden Anmerkungen 3 und 5 erläutert.In diesem Abschnitt präsentieren wir unsere Ergebnisse für den NOVAREF-Datensatz (zeitliche Auflösung = 2 s).Die Methodik, die wir zur Bestimmung des ALP verwenden, ist die folgende, die in Abb. 3 dargestellt ist. Unter Verwendung der Empirical Mode Decomposition (EMD)13 teilen wir den Datensatz in mehrere Modi auf und trennen dadurch die langfristigen Trends (hoch -Number Modes) von den kurzfristigen Schwankungen (Low-Number Modes).Da der EMD alle in den Daten enthaltenen Signale extrahiert, kann der Originaldatensatz ohne Informationsverlust durch Aufsummieren aller Modi 1-zu-1 rekonstruiert werden.Als nächstes werden die Daten in Trainings-, Validierungs- und Testdatensätze aufgeteilt.Die Trainingsdaten werden verwendet, um den Belastungstrend zu generieren, indem eine bestimmte Anzahl von Langzeittrendmodi summiert wird.Während des Validierungsschritts wird die optimale erforderliche Anzahl von Modi bestimmt, um sowohl eine Unter- als auch eine Überanpassung zu vermeiden.Schließlich wird das extrahierte ALP verwendet, um einen Testfehler aus dem Testsatz zu berechnen, wobei die optimale Anzahl von Modi verwendet wird, die aus dem vorherigen Schritt erhalten wurden.Eine ausführliche Erörterung der adaptiven Zeit-Frequenz-Datenanalyse über die EMD findet sich in „Methods“, Ergänzende Anmerkung 3 und in einem kürzlich erschienenen Artikel zur Anwendung der EMD in einem stochastischen Kontext31.Der vollständige Datensatz ist in Trainings-, Validierungs- und Testdatensätze aufgeteilt (oben in der Abbildung dargestellt).a Unter Verwendung der EMD zerlegen wir das Trainingsset in seine empirischen Modi.b Als nächstes wird der Validierungssatz verwendet, um die Anzahl der Modi zu optimieren und sowohl Unter- als auch Überanpassung zu vermeiden.Das Einbeziehen zu vieler Modi überpasst die Daten, führt jedoch zu schlechten Ergebnissen bei den Testdatensätzen.Umgekehrt passt ein Modell mit zu wenigen Modi nicht zu den Daten und kann seinen Haupttrend nicht erfassen.Daher bestimmen wir systematisch die optimale Anzahl von Moden, indem wir den mittleren quadratischen Fehler (MSE) minimieren.c Schließlich extrahieren wir mit Noptimal ALP für die Testmenge.Die Berechnung des für jede Woche erhaltenen MSE des ALP zeigt, dass das ALP besser abschneidet als das H0-SLP, da es den gemessenen Energieverbrauch im Vergleich zum H0-SLP genauer verfolgt.Wie in Tafel (c) gezeigt, ist der Durchschnittswert des MSE ALP für alle Wochen niedriger als der des MSE H0 SLP.Aus Gründen der Übersichtlichkeit wird hier nur ein einziger Tag (28.05) dargestellt, siehe auch Nachtrag 5.Vor dem Training wenden wir die EMD-Methode auf den gesamten Datensatz an und extrahieren dabei 17 individuelle und unabhängige Modi.Wir unterteilen diese Modi dann in zwei Kategorien: (a) Hochfrequenz;und (b) Niederfrequenzmodi.Die hochfrequenten Moden enthalten Informationen über die stochastischen Verbrauchsschwankungen (siehe „Bedarfsschwankungen: stochastisches Modell“), während die niederfrequenten Moden nahezu frei von stochastischen Schwankungen sind und stattdessen von deterministischen Effekten dominiert werden.Um den Trainingsschritt zu beginnen, wählen wir zunächst 4 zeitlich aufeinanderfolgende Wochen des gemessenen NOVAREF-Datensatzes aus, die keine Datenlücken enthalten, dh 01.07–01.14, 01.14–01.21, 02.04–02.11, 02.11–02.18, die während der Winterzeit zwischen 2013 aufgezeichnet wurden und 2016. Diese 4 Wochen sind der Trainingssatz.Dann berechnen wir den Durchschnitt dieser vier wöchentlichen Verbrauchsdaten und mitteln entsprechend die letzten N niederfrequenten Modi dieser Wochen.Um das ALP mit der besten Leistung zu erhalten, müssen wir die optimale Anzahl von Modi N, dh Noptimal, aus dem Validierungssatz bestimmen.Wenn wir zu wenige Moden summieren, kann das extrahierte ALP den hochauflösenden Verbrauch nicht besser verfolgen als das H0-SLP.Wenn wir dagegen zu viele Modi summieren, passt dies zu einer Überanpassung des Datensatzes und führt später zu einem ungenauen Verbrauchstrend für das Testset.Um das Noptimal zu bestimmen und die Leistung des optimierten ALP zu quantifizieren, verwenden wir den mittleren quadratischen Fehler (MSE) auf dem Validierungssatz, der aus 9 zufällig ausgewählten Wochen der während der Winterzeit gemessenen Daten besteht (siehe „Methoden“ für Details zu MSE und die ergänzende Anmerkung 5 für eine Diskussion einer anderen Fehlermetrik, dh MAE).Wir müssen hier betonen, dass wir Daten von 9 Wochen verwendet haben, weil dies die Daten waren, die uns zur Verfügung standen.Um diese Methode auf andere, kürzere Datensätze anzuwenden, reicht nur eine zusätzliche Woche Datenklang aus, um die optimale ALP zu bestimmen.Die Ergebnisse der obigen Analyse bestimmen, dass Noptimal ≈ 6. ..8 für den NOVAREF-Validierungsdatensatz (siehe optimales Ergebnis in Abb. 3b).Wie in Abb. 3b zu sehen ist, übertrifft das generierte ALP selbst für Werte von 8 < N < 12 das H0-SLP in Bezug auf die Bedarfsvorhersage.Somit ermittelt der ALP im Vergleich zum H0 SLP den täglichen und wöchentlichen Stromverbrauchsverlauf der 12 NOVAREF-Haushalte wesentlich genauer.Wie jedoch zuvor erwähnt, überpasst das ALP für N > Noptimal die Daten und liefert daher später ungenaue Ergebnisse für den Testsatz.Schließlich verwenden wir 4 zufällig ausgewählte Winterwochen, um das extrahierte ALP zu testen.Wir finden, dass der ALP den H0 SLP übertrifft, wenn das Noptimal gewählt wird, wie aus seinem niedrigeren Durchschnittswert von MSE hervorgeht, der im Text über dem Diagramm in Abb. 3c angegeben ist.Es sollte angemerkt werden, dass das ALP für die kleinere oder größere Anzahl von Moden nicht so gut funktioniert.Abbildung 3c zeigt die Ergebnisse für einen einzelnen Wochentag des Testsets.Wir setzen die Bewertung der ALP-Leistung im nächsten Abschnitt, dh „Nachfrageschwankungen: stochastisches Modell“, fort.Hier konzentrieren wir uns auf die Analyse des NOVAREF-Datensatzes.Wir haben die optimale ALP für die Winterwochen ermittelt, indem wir sie trainiert und das zugehörige Noptimal ermittelt haben.Darüber hinaus untersuchen wir die Saisonabhängigkeit der Daten in der ergänzenden Anmerkung 5 genauer. Insbesondere zeigen wir, dass die optimale ALP für die Sommerwochen immer noch dem in den Winterwochen sichtbaren Nachfragetrend folgt und die H0-SLP im Winter übertrifft Jahreszeit.Wir zeigen auch die Anwendbarkeit unserer Methodik, indem wir sie auf einen britischen Haushaltsdatensatz in Ergänzender Anmerkung 5 anwenden.Das hiermit vorgestellte ALP hat mehrere große Vorteile gegenüber sowohl dem H0 SLP als auch den verfügbaren Bedarfsmodellen.Erstens ist es datengesteuert und basiert auf modernen Messungen mit hoher zeitlicher Auflösung (2 s), während das H0-SLP hauptsächlich auf stündlichen Auflösungsdaten basiert, die vor 1999 gemessen wurden, mit einer kleinen Teilmenge von 15-Minuten-Auflösungsdaten, die zwischen 1990 gemessen wurden und 19992. Zweitens, da nur vier chronologisch aufeinanderfolgende Wochen an Daten erforderlich sind, um das wöchentliche ALP zu generieren, und nur wenige zusätzliche Wochen an Daten erforderlich sind, um das Noptimal zu bestimmen und zu validieren, kann es verwendet werden, um das gemittelte Lastprofil von beiden zu extrahieren kleine und große Hausgruppen und benötigt nicht die Fülle an Mikro- und Makroparametern, die derzeit verfügbare Nachfragemodelle erfordern.Beachten Sie, dass wir hier eine Methodik vorstellen, mit der die grundlegende Nachfragedynamik im Laufe eines Tages aus einem gemessenen Stromverbrauch bestimmt werden kann.In „Nachfrageschwankungen: stochastisches Modell“ wird ein stochastisches Modell vorgestellt, um die stochastischen Schwankungen auf dieser Basislinie zu generieren.Nachdem wir den überwiegend deterministischen Trend des Konsums extrahiert haben, wenden wir uns nun den stochastischen Schwankungen um diesen Trend herum zu.Konkret teilen wir den Stromverbrauch in Trend P(trend) und Schwankungen P(fluc.) auf:Zunächst untersuchen wir die statistischen Eigenschaften dieser Verbrauchsschwankungen.Bei der Analyse der Histogramme stellen wir fest, dass die Fluktuationen verzerrt, dh asymmetrisch, und stark ausgeprägt sind, sodass große Abweichungen viel wahrscheinlicher sind, als wenn sie durch eine einfache Gaußsche Verteilung gekennzeichnet wären, siehe Abb. 4.a Der Gesamtstromverbrauch P ist die Summe aus Trendverbrauch Ptrend, ermittelt nach der im vorigen Abschnitt beschriebenen EMD-Methode und Schwankungen Pfluc.. Die Differenz zwischen Trend und realem Bedarf erfassen wir als Schwankungsverlauf.Aus Gründen der Übersichtlichkeit ist hier nur ein einziger Tag dargestellt.b Die Wahrscheinlichkeitsdichtefunktion (PDF) der Verbrauchsschwankung folgt keiner Gauß-Verteilung, sondern wird besser durch eine q-Maxwell-Boltzmann-Verteilung beschrieben, insbesondere auf der rechten Flanke.Das Histogramm verwendet den gesamten NOVAREF-Datensatz.Neben der Gaußschen Verteilung zeigen wir eine stabile und eine Maxwell-Boltzmann (MB)-Verteilung.Die q-Maxwell-Boltzmann-Parameter werden mit Momentenmethoden bestimmt.Siehe auch Ergänzende Anmerkung 4 für weitere Einzelheiten.Als nächstes konstruieren wir ein stochastisches Modell, das die beobachteten Verbrauchsschwankungsstatistiken durch Anwendung superstatistischer Methoden21,32,33,34,35 beschreibt: Die Aufteilung der vollständigen Trajektorie in mehrere kürzere Trajektorien ermöglicht es uns, jede lokale Verteilung mit einer einfacheren Verteilung zu charakterisieren, wie z eine Gaußsche oder eine Exponentialverteilung.Bei Verbrauchsschwankungen folgen die Schwankungen innerhalb jedes Zeitfensters von ca. T ≈ 2000 s einer ausgeprägten Maxwell-Boltzmann-Verteilung, siehe Abb. 5. Einzelheiten zum superstatistischen Verfahren sowie dessen Auswertung siehe Anhang 4 Langzeitskala T (siehe auch ergänzende Abb. 13).Jede lokale Maxwell-Boltzmann-Verteilung hat ihren eigenen Skalenparameter σMB und einen Offset von null μMB.Wenn wir nun unsere Analyse von einer lokalen Verteilung zur nächsten verschieben, beobachten wir eine langsame Zeitdynamik dieser Maxwell-Boltzmann-Parameter σMB und μMB und damit eine Zeitdynamik der lokalen Maxwell-Boltzmann-Verteilung selbst.Durch Überlagerung dieser zeitlich variierenden lokalen Verteilungen erhalten wir die vollständige aggregierte Statistik ungefähr als q-Maxwell-Boltzmann-Verteilung, siehe Abb. 4.a Unter ausschließlicher Verwendung der hochfrequenten Moden aus der empirischen Modenzerlegung (EMD) zeichnen wir die Verbrauchsschwankungen P(Flukt.) über der Zeit auf....Erneuern.Technik.Technik.Appl.Phys.Rev. Lett.Int.Erw.Int.J. Energieres.Erneuern.Erhalten.Nat.Technik.Technik.Technik.Nat.Appl.Phys.Wissenschaft.Phys.Nat.Kommun.Mater.Erhalten.Erneuern.Erhalten.Die Autoren erklären keine konkurrierenden Interessen.Hinweis des Herausgebers Springer Nature bleibt neutral in Bezug auf Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:Leider ist für diesen Artikel derzeit kein teilbarer Link verfügbar.Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedItDurch das Absenden eines Kommentars erklären Sie sich mit unseren Nutzungsbedingungen und Community-Richtlinien einverstanden.Wenn Sie etwas missbräuchlich finden oder unseren Bedingungen oder Richtlinien nicht entsprechen, markieren Sie es bitte als unangemessen.Melden Sie sich für den Nature Briefing-Newsletter an – was in der Wissenschaft wichtig ist, täglich kostenlos in Ihrem Posteingang.