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.