TY - THES

T1 - Analyse und Prognose des elektrischen und thermischen Energiebedarfs der Produktion in der PCB Industrie

AU - Bohslavski, Stefan

N1 - gesperrt bis 05-02-2029

PY - 2024

Y1 - 2024

N2 - Die Zielsetzungen dieser Masterarbeit sind eine umfassende Analyse der Energieverbräuche der Firma AT&S und eine Erstellung von Prognosemodellen, um den Bedarf an Energie in der Zukunft möglichst genau vorhersagen zu können. Dies dient der Abschätzung für den zukünftigen Energiebedarf hinsichtlich der Menge und der damit verbundenen Kosten. Aufbauend auf den Stromzählerständen und dem thermischen Energiebedarf des Unternehmens war es möglich, die vorliegenden Daten zuerst für Analysen vorzubereiten und anschließend Prognosen zur Vorhersage des Energieverbrauchs zu erstellen. Um diese Ziele erreichen zu können, wurden anfangs unterschiedliche Prognoseverfahren ausgewählt und untersucht, unter welchen Voraussetzungen die unterschiedlichen Prognoseverfahren am besten geeignet sind. Dafür wurde zu Beginn dieser Arbeit eine umfassende Literaturrecherche durchgeführt, in der verschiedene Prognoseverfahren analysiert wurden. Aus den Untersuchungen ergab sich, dass besonders Regressionsverfahren und Neuronale Netzwerke gute Eigenschaften für die Prognose haben. Für die Anwendung von Regressionsverfahren wurden Informationen über den Verbrauch einzelner Energieverbraucher verwendet. Die Nutzung des Neuronalen Netzwerkes ermöglicht es zusätzlich zu den Messwerten Zusatzinformationen mit diesen Messwerten verknüpfen zu können. Durch den Vergleich der Verbrauchszeitreihen mit zusätzlichen Daten, wie zum Beispiel die Außentemperaturen oder Wartungsplänen, ist es möglich, die Genauigkeit eines Forecasts deutlich zu steigern. Die Regressionsmethoden wurden mithilfe des Programmes Visplore umgesetzt. Dazu wurden die verwendeten Daten anfangs von Messfehlern bereinigt. Anschließend wurden die Daten auf sich wiederholende Verhaltensmuster analysiert. Durch diese Muster konnten die Daten in Abschnitte aufgeteilt werden, um für jeden dieser Abschnitte eine eigene Funktion zu ermitteln. Diese Funktionen konnten dann zu einer Prognose zusammengeführt werden, durch die, basierend auf den Messwerten in der Vergangenheit, eine Vorhersage für den Energiebedarf getroffen werden konnte. Für die Anwendung des Neuronalen Netzwerkes wurde ein Programmcode in Python entwickelt. Zuerst musste das Neuronale Netzwerk die vorliegenden Daten anlernen. Dazu war es wichtig, Parameter für beispielsweise die Größe der Testabschnitte und der Stapelgrößen im Programm anzugeben. Diese Parameter mussten für jede Prognose an die vorliegenden Daten angepasst werden. Anschließend war es möglich, die Erstellung eines Forecasts aufbauend auf diesem Lernprozess durchzuführen. Durch die Verknüpfung der Messwerte in der Vergangenheit mit zusätzlichen Daten wie Wartungsplänen konnten noch genauere Prognosen als mit dem Regressionsverfahren erstellt werden. Für besonders kleine Verbraucher sowie Verbraucher, die sich mit den erwähnten Verfahren nicht ausreichend prognostizieren ließen, war es zudem möglich, einfachere Prognoseverfahren anzuwenden. Dafür eignete sich das statistische Verfahren der linearen Regressionsmethode basierend auf den Mittelwerten des Verbrauches. Waren für die Anwendung des Regressionsverfahrens und des Neuronalen Netzwerkes die vorhandenen Daten nicht ausreichend genau aufgrund fehlender Daten oder die Prognose zu aufwändig, konnte mit diesem Verfahren eine Annäherung für den Energiebedarf getroffen werden. Der Energieverbrauch der Firma wurde aufgeteilt in Wärme, Kälte, Druckluft und elektrischen Strom, wovon im Rahmen dieser Masterarbeit Wärme, Kälte und Strom analysiert und prognostiziert wurden. Die Betrachtung des Verbrauches von elektrischem Strom der Firma AT&S lässt keine genaue Vorhersage zu. Daher wurde einzelne Bereiche separat betrachtet. Dabei wurde für diese Bereiche untersucht, welche Prognoseverfahren jeweils am besten geeignet sind.

AB - Die Zielsetzungen dieser Masterarbeit sind eine umfassende Analyse der Energieverbräuche der Firma AT&S und eine Erstellung von Prognosemodellen, um den Bedarf an Energie in der Zukunft möglichst genau vorhersagen zu können. Dies dient der Abschätzung für den zukünftigen Energiebedarf hinsichtlich der Menge und der damit verbundenen Kosten. Aufbauend auf den Stromzählerständen und dem thermischen Energiebedarf des Unternehmens war es möglich, die vorliegenden Daten zuerst für Analysen vorzubereiten und anschließend Prognosen zur Vorhersage des Energieverbrauchs zu erstellen. Um diese Ziele erreichen zu können, wurden anfangs unterschiedliche Prognoseverfahren ausgewählt und untersucht, unter welchen Voraussetzungen die unterschiedlichen Prognoseverfahren am besten geeignet sind. Dafür wurde zu Beginn dieser Arbeit eine umfassende Literaturrecherche durchgeführt, in der verschiedene Prognoseverfahren analysiert wurden. Aus den Untersuchungen ergab sich, dass besonders Regressionsverfahren und Neuronale Netzwerke gute Eigenschaften für die Prognose haben. Für die Anwendung von Regressionsverfahren wurden Informationen über den Verbrauch einzelner Energieverbraucher verwendet. Die Nutzung des Neuronalen Netzwerkes ermöglicht es zusätzlich zu den Messwerten Zusatzinformationen mit diesen Messwerten verknüpfen zu können. Durch den Vergleich der Verbrauchszeitreihen mit zusätzlichen Daten, wie zum Beispiel die Außentemperaturen oder Wartungsplänen, ist es möglich, die Genauigkeit eines Forecasts deutlich zu steigern. Die Regressionsmethoden wurden mithilfe des Programmes Visplore umgesetzt. Dazu wurden die verwendeten Daten anfangs von Messfehlern bereinigt. Anschließend wurden die Daten auf sich wiederholende Verhaltensmuster analysiert. Durch diese Muster konnten die Daten in Abschnitte aufgeteilt werden, um für jeden dieser Abschnitte eine eigene Funktion zu ermitteln. Diese Funktionen konnten dann zu einer Prognose zusammengeführt werden, durch die, basierend auf den Messwerten in der Vergangenheit, eine Vorhersage für den Energiebedarf getroffen werden konnte. Für die Anwendung des Neuronalen Netzwerkes wurde ein Programmcode in Python entwickelt. Zuerst musste das Neuronale Netzwerk die vorliegenden Daten anlernen. Dazu war es wichtig, Parameter für beispielsweise die Größe der Testabschnitte und der Stapelgrößen im Programm anzugeben. Diese Parameter mussten für jede Prognose an die vorliegenden Daten angepasst werden. Anschließend war es möglich, die Erstellung eines Forecasts aufbauend auf diesem Lernprozess durchzuführen. Durch die Verknüpfung der Messwerte in der Vergangenheit mit zusätzlichen Daten wie Wartungsplänen konnten noch genauere Prognosen als mit dem Regressionsverfahren erstellt werden. Für besonders kleine Verbraucher sowie Verbraucher, die sich mit den erwähnten Verfahren nicht ausreichend prognostizieren ließen, war es zudem möglich, einfachere Prognoseverfahren anzuwenden. Dafür eignete sich das statistische Verfahren der linearen Regressionsmethode basierend auf den Mittelwerten des Verbrauches. Waren für die Anwendung des Regressionsverfahrens und des Neuronalen Netzwerkes die vorhandenen Daten nicht ausreichend genau aufgrund fehlender Daten oder die Prognose zu aufwändig, konnte mit diesem Verfahren eine Annäherung für den Energiebedarf getroffen werden. Der Energieverbrauch der Firma wurde aufgeteilt in Wärme, Kälte, Druckluft und elektrischen Strom, wovon im Rahmen dieser Masterarbeit Wärme, Kälte und Strom analysiert und prognostiziert wurden. Die Betrachtung des Verbrauches von elektrischem Strom der Firma AT&S lässt keine genaue Vorhersage zu. Daher wurde einzelne Bereiche separat betrachtet. Dabei wurde für diese Bereiche untersucht, welche Prognoseverfahren jeweils am besten geeignet sind.

KW - Energiebedarf

KW - Energieverbrauch

KW - Forecast

KW - Energieprognose

KW - Regressionsverfahren

KW - Multivariate Regression

KW - Neuronales Netzwerk

KW - elektrischer Stromverbrauch

KW - Energy demand

KW - Energy consumption

KW - Forecast

KW - Energy forecast

KW - Regression method

KW - Multivariate Regression

KW - Neural network

KW - Electrical power consumption

U2 - 10.34901/mul.pub.2024.108

DO - 10.34901/mul.pub.2024.108

M3 - Masterarbeit

ER -