h1

000782653 001__ 782653
000782653 005__ 20230408004337.0
000782653 0247_ $$2HBZ$$aHT020394052
000782653 0247_ $$2Laufende Nummer$$a39015
000782653 0247_ $$2datacite_doi$$a10.18154/RWTH-2020-01982
000782653 037__ $$aRWTH-2020-01982
000782653 041__ $$aGerman
000782653 082__ $$a624
000782653 1001_ $$0P:(DE-82)IDM00897$$aKoschwitz, Daniel$$b0$$urwth
000782653 245__ $$aAutoadaptives prädiktives Modell zur Quantifizierung von Gleichzeitigkeitsfeffekten in Lastverteilungen urbaner Energiesysteme$$cvorgelegt von Daniel Koschwitz$$honline
000782653 246_3 $$aAuto-adaptive predictive model for quantifying simultaneity effects within load distributions of urban energy systems$$yEnglish
000782653 260__ $$aAachen$$c2020
000782653 300__ $$a1 Online-Ressource (ix, 238 Seiten) : Illustrationen, Diagramme
000782653 3367_ $$02$$2EndNote$$aThesis
000782653 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000782653 3367_ $$2BibTeX$$aPHDTHESIS
000782653 3367_ $$2DRIVER$$adoctoralThesis
000782653 3367_ $$2DataCite$$aOutput Types/Dissertation
000782653 3367_ $$2ORCID$$aDISSERTATION
000782653 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000782653 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2020$$gFak03$$o2020-01-15
000782653 5203_ $$aDie vorliegende Arbeit beschreibt ein autoadaptives prädiktives Modell zur Quantifizierung von Gleichzeitigkeitseffekten in Lastverteilungen urbaner Energiesysteme mit dem Namen AMSA (Auto-adaptive Model for Simultaneity Analysis). Der mathematische Kern von AMSA beruht auf Techniken des maschinellen Lernens in Kombination mit Methoden der Energiedatenanalyse und ermöglicht eine Integration in intelligente vernetzte Energie-Informationssysteme. AMSA ist in Matlab implementiert und basiert auf einem modularen Aufbau, der durch verschiedene funktionale Teilblöcke definiert ist, wodurch einzelne Modifikationen von Schnittstellenfunktionen sowie modulare Erweiterungen nicht den numerischen Rechenkern beeinflussen. Die bisher hauptsächlich auf Erfahrungswerten und empirischen Analysen basierende Quantifizierung von Gleichzeitigkeitsfaktoren zur ökonomisch optimierten Auslegung von Energieerzeugungs- und Energieverteilungssystemen beruht auf einer historischen Messdatenbasis. Die herkömmliche Ableitung von Kennlinien aus Messdatenbeständen impliziert einen mit Zunahme der Gebäudegruppengröße sinkenden Gleichzeitigkeitsfaktor, welcher für Neuplanungen zentraler Energieversorgungssysteme angesetzt wird. Im Sinne der Optimierung letzterer ist es jedoch notwendig, sowohl historische und gegenwärtige als auch zukünftige Informationen zum Energiebedarf von Gebäuden und Gebäudegruppen szenariobasiert sowie unter Berücksichtigung von Unsicherheit abzubilden. Ferner bedarf es der Analyse von Ähnlichkeiten in den Lastverläufen von Gebäuden, um gleichzeitig wiederkehrende Muster erkennen und für die Identifizierung geeigneter Energieversorgungsverbünde zu nutzen. Vor diesen Hintergrund dient das entwickelte Modell dem Wissensgewinn aus einer komplexen variierenden Datenbasis zur Identifizierung von Entscheidungskorridoren in der mittel- und langfristigen Planung im Rahmen der Entwicklung von Quartieren und urbanen Regionen sowie kurzfristig ableitbarer Lastmanagementstrategien innerhalb der Energieversorgung. Grundlage für die Ableitung geeigneter Methoden zur Entwicklung von Teilmodellen bilden detaillierte Literaturrecherchen und -analysen zu Methodenfamilien mit ihren spezifischen Charakteristika sowie Erkenntnissen aus anwendungsbasierten Studien. Für die Abbildung zukünftiger Lastzustände dient ein Ensemble-Modell, das aus zwei Rekurrenten Neuronalen Netzen unterschiedlicher Tiefe und zwei Support Vector Machine Konfigurationen auf Basis verschiedener Kernel besteht. In Abhängigkeit von der Beschaffenheit der Eingangsdaten erfolgt eine automatisierte Auswahl der gebäudeindividuell geeigneten Prognosemethode auf Grundlage der Bewertung eines Fehlerindices in der jeweiligen Methodentestphase. Zur Analyse des Einflusses zukünftig variierender Wetterbedingungen und Gebäudesanierungen auf die Gleichzeitigkeitseffekte der urbanen Lastverteilung werden mathematischstatistische Methoden zur Lastgangmodifikation eingeführt. Für die Mustererkennung in Lastverteilungen werden mit Self-Organizing Maps in Kombination mit Learning Vector Quantization kompetitive Neuronale Netze eingesetzt. In diesem Zusammenhang erfogt im ersten Schritt eine automatisierte Gruppierung der Gebäude entsprechend ihrer charakteristischen Lastprofile. Im zweiten Schritt wird die Gebäudegruppe, deren Lastprofil jenem des Gesamtquartiers am ähnlichsten ist, identifiziert. Darauf aufbauend erfolgt die Berechnung von Gleichzeitigkeitsfaktoren und Spitzenlastbeiträgen von Gebäuden und Gebäudegruppen. Zur Modelldemonstration im abschließenden Teil dieser Arbeit dienen Monitoringdaten zum gebäudespezifischen Wärme- und Kälteverbrauch eines Forschungscampus. Im Rahmen dessen werden neben der statistischen Aufbereitung der Datenbasis eingangs Ergebnisse von Vorstudien zu Teilmodellen vorgestellt. Diese umfassen das Clustering thermischer Lastprofile, einen detaillierten Vergleich der verwendeten Prognosemethoden untereinander sowie langfristige Wärmelastprognosen auf Basis von Sanierungsszenarien. Darüber hinaus ermöglichen konventionell hergeleitete Kennlinien für den Gleichzeitigkeitsfaktor eine Einordnung und Evaluierung der mit AMSA erzielten Ergebnisse. Auf Gesamtmodellebene zeigen sich verschiedene Vorteile des Modells: Im Sinne eines kurzfristigen Lastmanagements muss durch die Einbeziehung des Gleichzeitigkeitsfaktors weniger Erzeugerleistung vorgehalten werden. Unter Berücksichtigung der ähnlichkeitsbasierten Gruppenbildungen lassen sich Schlüsselgebäude und die Gebäudegruppe identifizieren, deren temporäre Spitzenlastverschiebung den größten Anteil an dem zu erwartenden Spitzenleistungsbedarf auf Gesamtquartiersebene hat. Diese Informationen ermöglichen prädiktive Be- und Entladestrategien für Speichersysteme im Sinne eines Demand Side Managements. Hinsichtlich längerfristiger Planungszeiträume wird gezeigt, dass die Nutzung von Gleichzeitigkeitsfaktoren in Kombination mit ähnlichkeitsbasierten Gebäudegruppierungen zur Identifizierung möglicher Energieverbundsysteme eignen. Die Analyse zukünftiger Wetter- und Sanierungsszenarien demonstrieren ihren modifizierenden Einfluss auf die Ergebnisse der Gleichzeitigkeitsanalysen und unterstreichen den Bedarf eines autoadaptiven prädiktiven Modells. Das Ziel zukünftiger Forschungsarbeiten sollte in der Validierung von AMSA unter Berücksichtigung detaillierter Informationsgrundlagen liegen.$$lger
000782653 520__ $$aThe present work describes an auto-adaptive predictive model for quantifying simultaneity effects within load distributions of urban energy systems named AMSA (Auto-adaptive Model for Simultaneity Analysis). The mathematical structure of AMSA is based on Machine Learning techniques in combination with methods related to energy data analysis enabling the integration in intelligent interconnected energy information systems. AMSA is implemented in Matlab using a modular design including different functional components. Thus, individual modifications of interface functions and modular extensions do not influence the numerical calculation core. Previous simultaneity factor quantification for economically optimized dimensioning of energy generation plants and networks is based on experience values and empirical analysis focusing on historical measurement data. Conventional derivations of characteristic curves using measurement databases imply a decreasing simultaneity factor in combination with increasing building group sizes, which isused for replanning energy supply systems. In order to optimize the latter, it is necessary to know historical and current as well as scenario based future energy demand of single buildings and building groups taking uncertainty into account. Moreover, similarity analysis concerning building load profiles is required to recognise simultaneously recurring patterns in order to identify energy network systems. In this context, the developed model serves for knowledge gain from varying complex databases to identify decision ranges for long- and medium-term planning regarding the development of districts and urban regions. Furthermore, on operational level, it improves short-term load management strategies concerning energy supply. The derivation of suitable methods for component model development is based on appropriate scientific literature research and analysis regarding method categories with their specific characteristics as well as findings from application-based studies. An ensemble model serves to calculate future load conditions, consisting oft wore current neural networks of various depth and two support vector machine configurations using different kernels. According to input data characteristics, a building-specific suitable prediction method is automatically chosen based on an error evaluation during the method testing period. In order to analyse influences of varying weather conditions and building retrofits on simultaneity effects within urban load distributions, mathematical-statistical methods for load profile modifications are introduced. For pattern recognition of load distributions, self organizing maps combined with learning vector quantification are used, which is assigned to competitive neural networks category. In this regard, initially, buildings are automatically grouped according to their characteristic load profile. Secondly, the building group is identified, which provides the most correlated load profile compared to the district load profile. Subsequently, simultaneity factors and peak load shares of buildings an building groups are calculated. In the final part of this work, monitoring data of building-specific heating and cooling consumption of a research campus serve for model demonstration. In this context, besides statistical analysis of the database, results of preliminary studies concerning component models are presented. These include clustering of thermal load profiles, a detailed comparison concerning prediction models used as well as long-term heating load predictions based on retrofit scenarios. Furthermore, conventionally derived curves for simultaneity factors enable classification and evaluation of the results using AMSA. Taking the corporate model level into consideration, various model-related advantages may be shown: Regarding short-term load management, less generating capacities have to be provided. Regarding similarity-based grouping, key buildings and the building group may be identified, where temporal peak load shifting contains the largest share of the expected peak load on district level. This information enables predictive loading and unloading strategies for storage systems in terms of demand side management. With respect to longer-term planning periods, it is shown that simultaneity factors combined with similarity-based building classification suit for the identification of possible energy network systems. Future weather and retrofit scenario analysis demonstrates external influences on the results of simultaneity analysis, which emphasizes the demand for an auto-adaptive predictive model. The scope of future research work should focus on the validation of AMSA taking detailed information bases into account$$leng
000782653 588__ $$aDataset connected to Lobid/HBZ
000782653 591__ $$aGermany
000782653 653_7 $$aGleichzeitigkeitsfaktor
000782653 653_7 $$aLastprognosen
000782653 653_7 $$aLastverschiebungspotenzial
000782653 653_7 $$aautoadaptives Modell
000782653 653_7 $$aurbane Energiesysteme
000782653 653_7 $$aÄhnlichkeitsanalyse
000782653 7001_ $$0P:(DE-82)IDM00787$$avan Treeck, Christoph Alban$$b1$$eThesis advisor$$urwth
000782653 7001_ $$0P:(DE-82)540755$$aNytsch-Geusen, Christoph$$b2$$eThesis advisor
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653.pdf$$yOpenAccess
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653_source.zip$$yRestricted
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653.gif?subformat=icon$$xicon$$yOpenAccess
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653.jpg?subformat=icon-1440$$xicon-1440$$yOpenAccess
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653.jpg?subformat=icon-640$$xicon-640$$yOpenAccess
000782653 8564_ $$uhttps://publications.rwth-aachen.de/record/782653/files/782653.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000782653 909CO $$ooai:publications.rwth-aachen.de:782653$$pdnbdelivery$$popenaire$$popen_access$$pVDB$$pdriver
000782653 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00897$$aRWTH Aachen$$b0$$kRWTH
000782653 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00787$$aRWTH Aachen$$b1$$kRWTH
000782653 9141_ $$y2020
000782653 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000782653 9201_ $$0I:(DE-82)312410_20140620$$k312410$$lLehrstuhl für Energieeffizientes Bauen$$x0
000782653 961__ $$c2020-03-13T10:19:03.912798$$x2020-02-10T19:51:26.735552$$z2020-03-13T10:19:03.912798
000782653 9801_ $$aFullTexts
000782653 980__ $$aI:(DE-82)312410_20140620
000782653 980__ $$aUNRESTRICTED
000782653 980__ $$aVDB
000782653 980__ $$aphd