Day-Ahead Demand Forecast Optimization for a Chemical Plant in the Netherlands

Abstract

Diese Arbeit stellt einen Ansatz zur Verbesserung der Day-Ahead Nachfrageprognosegenauigkeit für ein Chemiewerk in den Niederlanden vor, mit Schwerpunkt auf der Optimierung des täglichen Übermittlungsprozesses und der Reduzierung von Ausgleichskosten. Durch die Integration von maschinellem Lernen (ML) mit Betriebsdaten wie
Wartungsplänen und Lastflussinformationen wurde ein robustes Prognosetool in Excel und VBA entwickelt, das die Genauigkeit der Stromverbrauchsprognosen und die
Effizienz des Übermittlungsprozesses deutlich verbessert.
Ein zentrales Ziel war die präzise Vorhersage der aktiven Stromerzeugung eines Gasturbinengenerators. Mehrere ML-Modelle wurden getestet, wobei Polynomial Regression aufgrund ihrer starken Vorhersageleistung und einfachen Implementierung als das
geeignetste Modell für das Excel-VBA-Tool identifiziert wurde. Das Modell zeigte eine
hohe Genauigkeit mit einem Mean Squared Error (MSE) von 0,3076 und einer PearsonKorrelation von 0,9255. Trotz Herausforderungen bei der Vorhersage basierend auf der
Umgebungstemperatur lieferte das Modell zuverlässige Ergebnisse, was die Bedeutung
zusätzlicher Faktoren wie Brennstoffqualität und weitere Umgebungsbedingungen unterstreicht.
Ein wesentlicher Beitrag dieser Arbeit ist die Entwicklung eines benutzerfreundlichen Python-Dashboards mit dem Dash-Framework. Es ermöglicht dem Endbenutzer,
zwei Hauptprognosemethoden zu erkunden, Verbesserungen anzuwenden und die Auswirkungen auf Prognosegenauigkeit und Ausgleichskosten zu visualisieren. Das Dashboard demonstrierte die Wirksamkeit der „Latest Known Power-flow“-Methode, die in
Kombination mit dem GTG-Modell die Ausgleiche um 86,44
Diese Arbeit zeigt die Wirksamkeit der Kombination von ML-Modellen mit Betriebsdaten zur Verbesserung der Lastprognosegenauigkeit in industriellen Umgebungen.
Zukünftige Arbeiten sollten die Einbeziehung weiterer Variablen wie Luftfeuchtigkeit,
Umgebungsdruck und Brennstoffzusammensetzung untersuchen. Darüber hinaus könnte
die Erweiterung des Dashboards zu einem Digital Twin zur Automatisierung der Prognoseprozesse die Effizienz weiter steigern.
Schlagwörter: Lastprognose, Gasturbinengenerator, Maschinelles Lernen, Day-AheadMarkt, Energieinformatik, Python

Datum der Bewilligung	2024
Originalsprache	Englisch (Amerika)
Betreuer/-in	Stephan Selinger (Betreuer*in) & Armin Veichtlbauer (Betreuer*in)