Automated machine learning for time series forecasting in smart grid applications

Der Klimawandel hat einen Paradigmenwechsel eingeleitet und verlangt eine Erhöhung der erneuerbaren Energieerzeugung. Der Übergang zu dargebotsabhängigen Energiequellen wie Windkraft und Photovoltaik macht dabei eine Flexibilisierung des Stromnetzes durch Sektorenkopplung notwendig. Die Kopplung von energieverbrauchenden Sektoren mit dem stromerzeugenden Sektor bedarf der Lösung vieler dezentraler Optimierungsprobleme, die wiederum auf Vorhersagen des lokalen Strombedarfs und -angebots angewiesen sind. Daher steigt die Nachfrage nach solchen lokal angepassten Vorhersagemodellen rasant an, sodass zeitaufwändige Entwurfs- und Anwendungsprozesse automatisiert werden müssen. ... mehrIn dieser Arbeit wird daher ein neues Konzept zur Automatisierung von Zeitreihenvorhersagen in Smart Grid Anwendungen vorgestellt. Zuerst werden Automatisierungsmethoden systematisch eingeordnet in die Pipelineabschnitte i) Vorverarbeitung, ii) Merkmalsextraktion, iii) Hyperparameter-Optimierung, iv) Auswahl der Vorhersagemethode und v) Ensemblebildung. Zweitens betrachtet die neue Taxonomie AutoLVL den automatisierten Modellentwurf zusammen mit dem automatisierten Modellbetrieb in sechs Automatisierungsstufen, die als Leitfaden für die Entwicklung von Vorhersagevorlagen und -diensten dienen. Drittens wird die Vorhersagevorlage AutoPQ vorgeschlagen, die den Entwurfsprozess automatisiert, um qualitativ hochwertige und maßgeschneiderte probabilistische Vorhersagen für verschiedene Aufgaben in Smart-Grid-Anwendungen bereitzustellen. Viertens ist die Vorhersagevorlage AutoWP speziell für den skalierbaren Einsatz in dezentral gelegenen Onshore-Windkraftanlagen entwickelt, die regelmäßigen und unregelmäßigen Eingriffen in die Erzeugungskapazität unterliegen. Fünftens ist die Vorhersagevorlage AutoPV darauf zugeschnitten, Photovoltaik-Stromerzeugungsvorhersagen unter limitierten Informationen zu liefern, nämlich fehlende Meta-Informationen über die Ausrichtungs- und Neigungskonfiguration der Photovoltaikanlage, fehlende historische Daten der Zielanlage zum Trainieren des Modells und exogene Einflüsse auf die Erzeugungskapazitäten der Photovoltaikanlage, die während des Betriebs auftreten. Abschließend demonstriert die Anwendung in realen Smart-Grid-Umgebungen den Nutzen der entwickelten automatischen Vorhersagevorlagen für nachgelagerte Anwendungen.

Climate change has forced a paradigm shift in energy systems and requires increasing the share of renewable energy generation. However, this transition to intermittent energy sources such as Wind Power (WP) and PhotoVoltaic (PV) poses electricity storage challenges, which requires a flexibilization of the electricity grid through sector coupling. Coupling energy-consuming sectors with the power-generating sector requires solving many decentralized optimization problems, which in turn are based on forecasts of local electricity demand and supply. As a result, the demand for such locally customized forecasting models is increasing rapidly, forcing the time-consuming design and application processes to be automated. ... mehrThis thesis therefore presents a novel concept for automating time series forecasting in smart grid applications. First, a systematic review on automated forecasting pipelines categorizes design automation methods regarding the pipeline sections i) pre-processing, ii) feature engineering, iii) hyperparameter optimization, iv) forecasting method selection, and v) forecast ensembling. Second, the novel taxonomy AutoLVL considers automated design together with automated operation under six automation levels, which act as a guideline to develop forecasting templates and services. Third, the forecasting template AutoPQ is proposed, which automates the design process to provide high-quality and customized probabilistic forecasts for different tasks in smart grid applications. Fourth, the forecasting template AutoWP is specifically designed for the scalable deployment to decentral located onshore WP turbines subject to regular and irregular interventions in WP generation capacity. Fifth, the forecasting template AutoPV is tailored to provide PV forecasts with limited information, i. e., missing meta-information about the PV mounting configuration characterized by tilt and azimuth angles, missing historical data of the target PV plant to train the model, and exogenous impacts on the PV plant’s generation capabilities occurring during operation. Finally, the application in real-world smart grid environments demonstrates the utility of the developed automated forecasting templates for downstream applications.