Ziel dieser Arbeit ist die Entwicklung eines künstlichen neuronalen Netzes (KNN), welches den Strom- und Wärmebedarf eines Unternehmens anhand
weniger Parameter prognostizieren kann. Eine grundsätzliche Aussage über die Prognosefähigkeit von KNN ergab sich aus Literaturstudien und im
Verlauf der Arbeit aus den Ergebnissen.
Die KNN wurden mithilfe der "Matlab® - Neural Network Toolbox(TM)" aufgebaut und ihre Strukturen systematisch variiert. Hierbei diente ein thermisches Simulationsmodell als Versuchsobjekt um die möglichen sensitiven Parameter zu ermitteln. Es hat sich gezeigt, dass vor allem den zufälligen Startgewichten der Verbindungen eine entscheidende Bedeutung zukommt. Die verschiedenen Strukturen (Anzahl Neuronen, Anzahl Schichten, Trainingsalgorithmus, Transferfunktion etc.) beeinflussen die Prognosegüte, sind aber für jedes Problem individuell festzulegen. Für jeden Anwendungsfall ist ein angepasstes KNN mit unterschiedlichen Strukturen und Eingangsparametern zu erstellen. Ein grundsätzlich gutes Prognosenetz gibt es nicht. Die thermische Trägheit stellt eine Schwierigkeit für die Prognose des Wärmebedarfs dar, daher ist die Stromprognose deutlich besser.
KNN sind in der Lage gute Vorhersagen der Energiebedarfe abzugeben, wodurch Un
weniger Parameter prognostizieren kann. Eine grundsätzliche Aussage über die Prognosefähigkeit von KNN ergab sich aus Literaturstudien und im
Verlauf der Arbeit aus den Ergebnissen.
Die KNN wurden mithilfe der "Matlab® - Neural Network Toolbox(TM)" aufgebaut und ihre Strukturen systematisch variiert. Hierbei diente ein thermisches Simulationsmodell als Versuchsobjekt um die möglichen sensitiven Parameter zu ermitteln. Es hat sich gezeigt, dass vor allem den zufälligen Startgewichten der Verbindungen eine entscheidende Bedeutung zukommt. Die verschiedenen Strukturen (Anzahl Neuronen, Anzahl Schichten, Trainingsalgorithmus, Transferfunktion etc.) beeinflussen die Prognosegüte, sind aber für jedes Problem individuell festzulegen. Für jeden Anwendungsfall ist ein angepasstes KNN mit unterschiedlichen Strukturen und Eingangsparametern zu erstellen. Ein grundsätzlich gutes Prognosenetz gibt es nicht. Die thermische Trägheit stellt eine Schwierigkeit für die Prognose des Wärmebedarfs dar, daher ist die Stromprognose deutlich besser.
KNN sind in der Lage gute Vorhersagen der Energiebedarfe abzugeben, wodurch Un