TU Darmstadt / ULB / TUprints

Hierarchical Electrical Load Forecasting of Industrial Production Systems in the Manufacturing Industry based on Deep Learning

Walther, Jessica (2022)
Hierarchical Electrical Load Forecasting of Industrial Production Systems in the Manufacturing Industry based on Deep Learning.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00021767
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
J.Walther_Dissertation.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (17MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Hierarchical Electrical Load Forecasting of Industrial Production Systems in the Manufacturing Industry based on Deep Learning
Language: English
Referees: Weigold, Prof. Dr. Matthias ; Alexander, Prof. Dr. Sauer
Date: 2022
Place of Publication: Darmstadt
Collation: xxv, 280 Seiten
Date of oral examination: 13 July 2022
DOI: 10.26083/tuprints-00021767
Abstract:

Climate change is one of the most significant challenges of the 21st century. As one of the countermeasures, the German government plans to convert the power supply entirely to renewable energies by 2045. However, with an increased share of renewable energies, the flexibility of electricity generation is decreasing, while the need for flexibility is increasing due to the weather dependence of renewable electricity generation. A potential measure to counter this problem is the creation of new flexibilities on the demand side, especially in the industry. For a factory to adapt its future energy demand to changing power generation requirements at short notice, it is necessary to know the future power consumption as precisely as possible. Therefore, in the context of this dissertation, a very short-term load forecasting model for production systems was developed based on deep learning methods.

The model development phase is based on the Cross Industry Standard Process for Machine Learning process. The three Deep Learning algorithms, Long Short-Term Memory, Gated Recurrent Unit, and Convolutional Neural Network, were selected for model development because they are particularly suitable for forecasting complex time series. Furthermore, an architecture was designed to integrate historical information and information on the forecast horizon into the model development process without compromising the generalisation capability due to increasing influencing factors (curse of dimensionality). In a preliminary study, three concepts were investigated. Additionally, Neural Architecture Search methods were used for modelling. Finally, based on the concept that emerged from the preliminary study, a hierarchical load forecast of the production system was carried out based on the use case of the ETA research factory. Therefore, a forecasting model was created for the five primary consumers first, and their results were integrated into the forecasting model of the production system.

The results show that the selected Deep Learning techniques are well suited for industrial load forecasting. Furthermore, the hierarchical structure for forecasting the production system leads to improved load forecasting. For the first time in such a work, a novel architecture for integrating historical information and information on the forecasting horizon into the modelling process has been implemented. Additionally, the developed approach for integrating information on the forecasting horizon improved the load forecast in more than 83 % of the models.

Alternative Abstract:
Alternative AbstractLanguage

Der Klimawandel ist eine der größten Herausforderungen des 21. Jahrhunderts. Als eine der Gegenmaßnahmen, plant die Bundesregierung, die Stromversorgung bis 2045 vollständig auf erneuerbare Energien umzustellen. Doch bereits heute zeigt sich, dass mit steigendem Anteil erneuerbarer Energien die Flexibilität der Stromerzeugung abnimmt, während der Bedarf an Flexibilität aufgrund der Wetterabhängigkeit der erneuerbaren Stromerzeugung steigt. Eine vielversprechende Maßnahme, um dieser Problematik zu begegnen ist die Schaffung neuer Flexibilitäten auf der Nachfrageseite, insbesondere in der Industrie. Damit eine Fabrik ihren zukünftigen Energiebedarf kurzfristig an veränderte Anforderungen der Stromerzeugung anpassen kann, ist es nötig den zukünftigen Stromverbrauch möglichst exakt zu kennen. Im Rahmen dieser Dissertation wurde daher ein sehr kurzfristiges Lastprognosemodell für Produktionssysteme auf Basis von Deep Learning Methoden entwickelt.

Die Modellentwicklung basiert auf dem Cross Industry Standard Process for Machine Learning. Für die Modellierung wurden die drei Deep-Learning-Algorithmen Long Short-Term Memory, Gated Recurrent Unit und Convolutional Neural Network ausgewählt, da diese sich besonders für die Vorhersage komplexer Zeitreihen eignen. Darüber hinaus wurde erstmals eine Architektur entworfen, die sowohl historische als auch Informationen über den Prognosehorizont in den Modellentwicklungsprozess integriert, ohne die Generalisierungsfähigkeit durch steigende Einflussfaktoren nachteilig zu beeinflussen (Fluch der Dimensionalität). In einer Vorstudie wurden drei Konzepte untersucht. Weiterhin wurden für die Modellierung Methoden der neuronalen Architektursuche verwendet. Basierend auf dem besten Konzept der Vorstudie wurde eine hierarchische Lastprognose für das Produktionssystem am Anwendungsfall der ETA-Forschungsfabrik durchgeführt. Zunächst wurde ein Prognosemodell für die fünf Hauptverbraucher erstellt und die Ergebnisse dieser in das Prognosemodell des Produktionssystems integriert.

Die Ergebnisse zeigen, dass die ausgewählten Deep Learning Algorithmen sehr gut für die industrielle Lastvorhersage geeignet sind. Weiterhin führt der hierarchische Aufbau zur Prognose des Produktionssystems zu einer verbesserten Lastvorhersage. Erstmals wurden in einer solchen Arbeit eine neuartige Architektur zur Integration von historischen Informationen als auch Informationen über den Prognosehorizont in den Modellierungsprozess umgesetzt. Der Ansatz zur Integration der Informationen über den Vorhersagehorizont führte in 83 % der Modelle zu einer Verbesserung der Vorhersagequalität.

German
Uncontrolled Keywords: PTJ|03EN2053A|KI4ETA Load Forecasting, Energy Flexibility, Demand Response,
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-217676
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
600 Technology, medicine, applied sciences > 670 Manufacturing
Divisions: 16 Department of Mechanical Engineering > Institute of Production Technology and Machine Tools (PTW)
16 Department of Mechanical Engineering > Institute of Production Technology and Machine Tools (PTW) > ETA Energy Technologies and Applications in Production
Zentrale Einrichtungen > University IT-Service and Computing Centre (HRZ) > Hochleistungsrechner
Date Deposited: 11 Aug 2022 09:05
Last Modified: 16 Dec 2022 11:30
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/21767
PPN: 499070615
Export:
Actions (login required)
View Item View Item