Projekt

Stromdatenanalyse & Kurzfristprognosen für eine PV-gestützte Industrieanlage

Sommersemester 2025

In Zusammenarbeit der Hochschule Anhalt und einem agroindustriellen Betrieb wird der Aufbau eines Stromspeichers geplant, um überschüssig erzeugten PV-Strom nicht ins Netz einspeisen zu müssen, sondern vor Ort zu nutzen. Dafür wurden Strom- und Umfelddaten seit Oktober 2022 bis 2025 ausgewertet, um typische Verbrauchsmuster sichtbar zu machen und Kurzfristprognosen für die Planung von Speicherladung und Lastmanagement zu erstellen.
 

Daten & Aufbereitung 

Basis der Untersuchungen waren 5-minütige Strommessreihen über mehrere Jahre, ergänzt um Wetterinformationen (z. B. Temperatur, Einstrahlung, Luftfeuchte). Für Analysen wurden die Daten stündlich aggregiert und durch eine Ausreißeranalyse fehlerhafte Datenpunkte identifiziert und durch plausiblen Werten ersetzt 

Methodik

• Clusteranalyse: Identifizierung von wiederkehrenden Tagesmustern (Prototyp-Kurven) u. a. durch K-Means und Bewertung der Homogenität und Größe der Cluster
• Kurzfristprognosen (24 h / 48 h): Vergleich eines Baseline-Ansatzes (7-Tage-Lag) mit Prophet, SARIMAX und XGBoost; Bewertung mit RMSE und R² auf definierten Testzeiträumen.
   

Ergebnisse
 

• Die Clusteranalyse zeigt stabile, interpretierbare Tagesprofile mit saisonalen Verschiebungen; wobei 4 unterschiedliche Tages-Prototypen aufgrund ihrer hohen Interpretierbarkeit als ideale Konfiguration festgestellt wurden
• Für die Prognosen wurden die genannten Verfahren einheitlich evaluiert; Um für einen vereinheitlichten Vergleich zu sorgen, wurden Modell- und Metrikauswahl gemeinsam festgelegt (RMSE, R²) sowie die Testhorizonte (24/48 h) ebenfalls.
   

Nutzen
 

Die Kombination aus Mustererkennung (Cluster) und Kurzfristprognose unterstützt die Speicher- und Betriebsplanung: typische Tageslastverläufe erleichtern die Regelstrategie (z. B. Laden in PV-Spitzen, Entladen zu Bedarfsspitzen), Prognosen helfen bei der vorausschauenden Disposition von Speicher und Verbrauchern.