Normalizing flow-based scenario generation for energy system optimization

• Normalizing Flow basierte Szenario Generierung für Energiesystemoptimierung

Cramer, Eike Casjen Friedrich; Mitsos, Alexander (Thesis advisor); Witthaut, Dirk (Thesis advisor)

Aachen : RWTH Aachen University (2022)
Buch, Doktorarbeit

In: Aachener Verfahrenstechnik Series AVT.SVT - Process Systems Engineering 29 (2022)
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2022

Kurzfassung

Die Elektrizitätsversorgung für intensive Energieprozesse verlagert sich auf erneuerbare Energiequellen, und daher müssen die Betreiber mit der inhärenten Unsicherheit der Stromerzeugung durch Photovoltaik und Windkraftanlagen umgehen. Numerische Optimierungsprobleme für die Auslegung von Energiesystemen und die kurzfristige Produktionsplanung können unter Berücksichtigung von Szenarien mit unsicheren Parametern mit Hilfe stochastischer Programme formuliert werden. In dieser Arbeit wird das DGM Normalizing Flows verwendet, um einen vollständigen Ende-zu-Ende-Ansatz zur Generierung qualitativ hochwertiger Szenarien abzuleiten, die die tatsächlichen Verteilungen genau repräsentieren und somit zu profitablen Entscheidungen im nachfolgenden stochastischen Programm führen. Als Grundlage für die spätere Bewertung wird in dieser Arbeit eine kritische Bewertung der in der Literatur zur DGM-basierten Szenariengenerierung verwendeten Validierungsmethoden vorgenommen. Das Standarddesign der Normalizing Flows verbietet das Lernen der Verteilungen von Datensätzen auf niedrigdimensionalen Mannigfaltigkeiten. Da Stromzeitreihen typischerweise starke Autokorrelationen aufweisen, folgen ganze Intervallvektoren typischerweise Mannigfaltigkeitsverteilungen. In dieser Arbeit wird ein auf dem Lernen von Mannigfaltigkeiten basierender Ansatz vorgeschlagen, der die mit dem Training von Normalisierungsflüssen auf Zeitreihendaten verbundenen Probleme lindert. Insbesondere werden isometrische Einbettungen verwendet, da sie die Verteilungen nicht verzerren und somit eine Trennung zwischen dem Lernen von Mannigfaltigkeiten und dem Training von Normalizing Flows ermöglichen. Die sich daraus ergebende Zusammensetzung von Isometrien und Normalizing Flows wird verwendet, um die Verteilungen der Stromerzeugung aus erneuerbaren Energien und des Strombedarfs zu lernen. Normalizing Flows beziehen externe Informationen nahtlos ein und ermöglichen es dem Benutzer, leistungsstarke und flexible Modelle zur Szenariengenerierung zu trainieren, die Vektoren von Zeitreihenintervallen erzeugen. Diese Arbeit nutzt die bedingten Normalizing Flows für die Erstellung von Day-Ahead-Szenarien und für probabilistische Prognosen der Intraday-Strompreise verwendet. Im Vergleich zu historischen Daten und anderen Methoden der Szenariengenerierung erzielen die auf Normalizing Flows basierenden Day-Ahead-Szenarien die höchsten Gewinne und kommen der perfekten Vorausschau-Lösung durchweg am nächsten. Darüber hinaus führen die bedingte Normalizing Flows zu zuverlässigen und scharfen probabilistischen Prognosen der Intraday-Strompreise.

Einrichtungen

• Lehrstuhl für Systemverfahrenstechnik [416710]