Im Zuge einer Modernisierung des Stromnetzes und besonders der zunehmenden Verteilung von Smart-Metern nimmt ein tieferes Verständnis über den sogenannten Lastgang bzw. das Lastprofil zu. Bislang wurden vor allem Großabnehmer mit einer sogenannten registrierenden Leistungsmessung (RLM) von den Versorgungsunternehmen betrachtet, die normalen Haushaltskunden werden zum aller größten Teil über das sogenannte Standard-Lastprofil H0 prognostiziert und ausgewertet. Dies mach nicht nur den Strompreis teuer, sondern sorgt auch für eine Unsicherheit in der Netzführung, die letztendlich zu einer geringeren Versorgungssicherheit führt.
Nach den beiden einführenden Beiträgen “Wir bauen uns ein Lastprofil” und “Ende des analytischen statistischen Lastprofils” geht es in diesem Beitrag um die Häufungen von Leistungsaufnahmen – im Gegensatz zur zeitlichen Verteilung. Das Ziel der Übung soll es sein, möglichst wenig Ausgleichsenergie für einen individuellen Anschluss (=Letztverbaucher) zu benötigen. Gelingt dies, so ist der Weg frei, eine Belieferung von Privatkunden auch über die Strom-Direktvermarktung durchzuführen. Letztendlich geht es um eine kleine Einführung in das Energiedatenmanagement (EDM).
Vorbereitung: Download Beispieldaten
Datenbasis dieses Beitrages sind die Zählerablesungen eines Privathaushaltes im 15-Minuten-Takt. Zur besseren Nachvollziehbarkeit des Beitrages, besteht die Möglichkeit die Zählerdaten herunterzuladen:
Die Daten sind im CSV Format gespeichert und enthalten den Zählerstand (“Energie”) für jede 15 Minuten zwischen dem 01.06.2013 und dem 21.06.2013. Damit sind für jeden Tag 96 Werte vorhanden. Zwar ist es technisch möglich Werte in einer wesentlich höheren Auflösung zu bekommen, jedoch tickt der Strommarkt im 15 Minuten-Takt. Die Zählerstände sind in Kilo-Watt-Stunden, mit einem “.” als Dezimaltrenner.
Schritt 1: Verbrauchsmengen bestimmen
Zur Auswertung von Energiedaten/Zählerständen bietet sich die Statistik-Software R an, für die wenigen Daten, die in diesem Beitrag verwendet werden, reicht allerdings auch ein “normales” Excel oder OpenOffice aus.
Die Rohdaten enthalten Zählerstände, daher muss zunächst über das Delta der Zählerstände der Verbrauch zwischen den Ablesungen bestimmt werden:
C3 = B3-B2, C4=B4-B3, ... , C1979=B1979-B1978
Schritt 2: Einfache Statistische Auswertung
Ein Kostenfaktor bei der registrierenden Leistungsmessung ist die maximale Leistungsaufnahme (eigentlich maximaler Verbrauch/Bezug innerhalb von 15 Minuten) des Anschlusses. Der Minimalwert gibt die Grundlast an, die niemals unterschritten wird.
MaxP = MAX(C3:C1979) = 1.254,154 MinP = MIN(C3:C1979) = 26,697 AvgP = MITTELWERT(C3:C1979) = 86,749
Die mittlere Leistungsaufnahme ist eigentlich irrelevant, da sie keine Aussagekraft hat. Jedoch kann man diesen Wert verwenden, um eine Klassifizierung vorzunehmen.
Schritt 3: Klassifizierung von Verbrauchsmengen
Ausgehend vom Mittelwert lässt sich eine Standard-Abweichung berechnen.Zwei Drittel der Verbrauchswerte befinden sich vom Mittelwert ausgehen unterhalb und oberhalb dieses Wertes.
ArAvgP= =MITTELABW(C3:C1979) = 41,970
Bei allen bislang von blog.stromhaltig bislang untersuchten Letztverbrauchern hat sich gezeigt, dass eine Aufteilung in 3 Klassen zu einem sehr sprechenden Ergebnis führt:
Grundlast
Grundlast = AvgP - ArAvgP = 44,779
Geräte, die bei einem Anschluss zu diesem Zeitpunkt eingeschaltet sind, sind die typischen Stand-By-Geräte und Kühlschränke. Wichtig ist, dass bei der Grundlast keine Verhaltensabhängige Komponente vorhanden ist.
Spitzenlast
Spitzenlast = AvgP + ArAvgP = 128,720
Wird ein Wert oberhalb der Spitzenlast (bis zu MaxP) aufgenommen, dann handelt es sich meist um Wäschetrockner, Bügeleisen und ähnliche Großverbraucher. Hinter der Nutzung dieser Geräte besteht eine aktiver Nutzungsentscheidung, wodurch sich auch das größte Potential für eine Lastverschiebung ergibt.
Komfortlast
Grundlast < Komfortlast < Spitzenlast
In dem Band zwischen Grundlast und Spitzenlast finden sich meist die Verbräuche, die einen direkten Einfluss auf den Komfort haben. Dazu zählen TV-Geräte, Beleuchtung und ähnliche. Diese Verbräuche lassen sich zwar sehr gut prognostizieren, allerdings nicht beeinflussen ohne Verzicht
Ergebnis der statistischen Auswertung auf Basis der Beispieldaten:
| Maximale Leistungsaufnahme | 1.254.154 | Wh/4 |
| Minimale Leistungsaufnahme | 26.697 | Wh/4 |
| Mittlere Leistungsaufnahme | 86.749 | Wh/4 |
| Standard Abweichung | 41.970 | Wh/4 |
| Grundlast kleiner | 44.779 | Wh/4 |
| Spitzenlast größer | 128.720 | Wh/4 |
Was man in dieser Darstellung erkennen kann, ist die ungleichmäßige Verbrauchmengengröße der einzelnen Klassen. Da die Spitzenlast jedoch zeitlich nur sehr selten – der Maximalwert sogar nur bei einem 15-Minuten-Block vorkommt, wird im nächsten Schritt versucht eine Verteilung vorzunehmen.
Schritt 4: Aggregation der Klassifizierung
=WENN(C3<Grundlast;"Grundlast";WENN(C3>Spitzenlast;"Spitzenlast";"Komfortlast")) =WENN(C3<44779;"Grundlast";WENN(C3>128720;"Spitzenlast";"Komfortlast"))
Mit dieser Formel wird zunächst auf den Werten des voran gegangenen Schrittes die Zuordnung der einzelnen Zählerstände zu einer der 3 Klassen umgesetzt. Pivotiert/Aggregiert man diese Werte zueinander, so bekommt man eine Übersicht der Anzahl der 15 Minuten Blöcke.
| Grundlast | 360 |
| Komfortlast | 1396 |
| Spitzenlast | 220 |
Wegen der verwendeten Standardabweichung sollte das Ergebnis nicht sonderlich verwundern. Ca. zwei Drittel der Messwerte sollten im Komfortlastbereich liegen. Bei normalen Anschlüssen wird es mehr werte im Grundlastbereich wie im Spitzenlastbereich geben.
Anzahl der Messwerte in der jeweiligen Klasse
Schritt 6: Verwendung der Klassen für parametrisches Lastprofil
Für die Prognose der Verbrauchswerte ist am interessantesten zu ermitteln, welche Parameter für eine Zuordnung in den Bereich der Spitzenlast sorgen. Die Bestimmung der Parameter wird in einem zukünftigen Beitrag beschrieben werden. Es hat sich allerdings gezeigt, dass das Wetter, Wochentag, das TV-Programm und lokale Veranstaltungen gute Kandidaten sind. Mathematisch löst man die Ermittlung am einfachsten, indem man der Klasse “Spitzenlast” den Wert 1 zuordnet und die anderen Werte zunächst auf 0 setzt. Im Anschluss lässt man sich eine Korrelation berechnen.
Tipp
Bei der Auswertung und Klassifizierung von mehreren Letztverbrauchern ist aufgefallen, dass es meist nicht nur ein Parameter ist, sondern eine Kombination aus verschiedenen. Ein schönes Beispiel ist schlechtes “Sommerwetter” und Bügelsendungen im Fernsehen.
Bitte erlauben Sie Cookies, indem Sie auf Übernehmen Sie auf das Banner