Multilayer Perceptron zur kurzfristigen Lastprognose: Vom globalen zum lokalen Ansatz

Viele Prognosemodelle basieren auf neuronalen Netzen. Die zentralen Probleme in diesen Modellen, die sich stark auf die Genauigkeit der Vorhersagen auswirken, sind die Datenrepräsentation und die Zerlegung des Prognoseproblems. In dieser Arbeit betrachten wir beide Probleme anhand der kurzfristigen Prognose des Stromlastbedarfs als Beispiel. Eine Lastzeitreihe drückt sowohl den Trend als auch mehrere saisonale Zyklen aus. Um mit Multi-Saisonalität umzugehen, betrachten wir vier Methoden der Problemerkennung. Abhängig vom Zerlegungsgrad wird das Problem in lokale Teilprobleme unterteilt, die mit neuronalen Netzen modelliert werden. Wir bewegen uns vom globalen Modell, das für alle Prognoseaufgaben geeignet ist, über die lokalen Modelle, die für die Teilprobleme geeignet sind, zu den Modellen, die individuell für jede Prognoseaufgabe erstellt werden. Zusätzlich betrachten wir verschiedene Möglichkeiten der Kodierung der Eingabedaten und analysieren die Auswirkungen der Datenrepräsentation auf die Ergebnisse. Die Prognosemodelle werden an echten Leistungssystemdaten aus vier europäischen Ländern geprüft. Die Ergebnisse zeigen, dass die lokalen Ansätze die Genauigkeit der Lastprognose im Vergleich zum globalen Ansatz erheblich verbessern können. Ein größeres Maß an Zerlegung führt zu einer größeren Reduktion der Vorhersagefehler.