Die Vorhersage künftiger Entwicklungen hat in vielen Bereichen eine große Bedeutung. Insbesondere in der Energiewirtschaft ist eine Nutzung mehrheitlich erneuerbarer Energien ohne präzise Prognosen derer Energieerzeugung nicht umsetzbar. Zur Aufrechterhaltung der Netzstabilität ist ein ausgeglichenes Verhältnis von Einspeisung und Entnahme von Energie aus dem Stromnetz erforderlich. Dies macht eine Regulierung notwendig. Die Menge eingespeister Energie hängt bei erneuerbaren Energiequellen stark von Umweltfaktoren ab. Auch der Verbrauch ist nicht konstant, sondern schwankt in Abhängigkeit äußerer Einflussfaktoren. Dies erfordert ein möglichst genaues Abschätzen des künftigen Systemverhaltens zur Sicherstellung der Stromversorgung. Die Prognosequalität hängt dabei stark von der Wahl des Modells, der Parametrisierung desselben und der Wahl der Einflussfaktoren ab. Ziel dieser Arbeit ist es daher, das Empfehlungssystem Heuristische Modellselektion (HMS) für Energiezeitreihen unter Berücksichtigung externer Einflüsse und verschiedener Modellbildungsverfahren mit diversen Parametrierungen zu entwickeln, implementieren und evaluieren.
Die Methoden dieser Arbeit werden auf real gemessenen Zeitreihen (äquidistante Messwertfolgen) aus der Energiewirtschaft und einigen simulierten US-Windeinspeisungszeitreihen angewandt. Es werden Modelle auf den gewählten exogenen Einflüssen berechnet und deren
Ergebnisse gespeichert. Exogene Einflüsse umfassen dabei berechnete sowie gemessene Wetterzeitreihen und Clearsky-Modelle. Zu jeder der im Training verwandten Zeitreihen werden statistische Parameter, im folgenden als Features bezeichnet, berechnet. Diese repräsentieren
die Zeitreihe in kompakter Form. Features umfassen beispielsweise Trend, Saison, Periodizität, Autokorrelation, Schiefe, Wölbung, Nichtlinearität, Selbstähnlichkeit und Chaos. Diese Eigenschaften werden genutzt, um die Ähnlichkeit neuer Zeitreihen zu den bereits Trainierten zu bestimmen und eine Klassifikation zu ermöglichen. Darüber hinaus wird auf der Basis von Features eine hochperformante Einflussauswahl implementiert. Anschließend kann das Bildungsverfahren und die genutzten Einflüsse des besten Vorhersagemodells der ähnlichsten Zeitreihe auch für die neue Zeitreihe verwandt werden. Beschriebenes Vorgehen bildet den Kern von HMS. Dieses wird auf hochdimensionalen Daten evaluiert und zeigt die besondere Eignung der featurebasierten Zeitreihenrepräsentation für Auswahlverfahren. Es werden zudem einige unterstützende Algorithmen entwickelt und implementiert, die auf Basis automatisch berechneter Features eine Klassifikation, Dimensionsreduktion und Einflussauswahl sowie die Berechnung der Distanzen zwischen Zeitreihen vornehmen.
Das entwickelte und implementierte Lernverfahren zur Modellauswahl ist dabei nicht auf die evaluierten Bereiche beschränkt. HMS ist für eine Vielzahl von Anwendungsfällen denkbar. In einigen Domänen übersteigt die Menge an Wissen, die Verfügbarkeit von Experten oder die
Frequenz der Änderungen von Bedingungen die Grenzen, um Empfehlungen durch Menschen zu realisieren [KF09, S.697].
Die in dieser Arbeit präsentierte Methode HMS bietet eine Möglichkeit der performanten und präzisen Auswahl der geeignetsten Modellbildungsverfahren, deren Parametrierung und externer Einflussfaktoren. Nach Vorstellung der grundlegenden Vorhersagemethoden
und Algorithmen zur Einflussauswahl wird auf die Methodik der featurebasierten Einflussauswahl eingegangen. Ebenso wird die vorgestellte Methode gegen naive Verfahren evaluiert. Es zeigt sich, dass durch HMS zumeist eine Steigerung der Prognosequalität bei reduziertem
Zeitaufwand erzielt werden kann. Zur Abschätzung, ob die neu entwickelte Methode HMS naiven Ansätzen überlegen ist, wird eine Metrik entwickelt, welche die Zeitreihenanzahl und Homogenität der betrachteten Klasse nutzt. Auf deren Basis ist eine Schätzung der HMS-Empfehlungsgüte möglich.