@phdthesis{Arpogaus2020,
  type      = {Master Thesis},
  author    = {Arpogaus, Marcel},
  title     = {Probabilistic Short-Term Load Forecasting using conditioned normalizing flows},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:kon4-opus4-27784},
  pages     = {XI, 71 S.},
  year      = {2020},
  abstract  = {Sowohl f{\"u}r die Planung als auch f{\"u}r den Regelbetrieb der vernetzten Stromnetze sind Lastprognosen bereits heute von entscheidender Bedeutung f{\"u}r die Energiewirtschaft. Aufgrund der fortw{\"a}hrenden Integration von regenerativen Energiequellen in die globalen Stromnetze wird sich diese zuk{\"u}nftig jedoch weiter stark erh{\"o}hen. Es werden Modelle notwendig werden, welche neben der eigentlichen Prognose auch deren Unsicherheiten ber{\"u}cksichtigen k{\"o}nnen. Allerdings konzentriert sich der Großteil der bisherigen Publikationen in diesem Themenfeld auf Methoden wie z.B. Quantilsregression oder ensemble- und szenariobasierte Ans{\"a}tze, die diskrete Quantile bzw. Scharen m{\"o}glicher Lastverl{\"a}ufe generieren. Die bedingte Wahrscheinlichkeitsverteilung wird so nicht direkt erfasst und nur durch eine Weiterverarbeitung der Ergebnisse mithilfe statistischer Methoden gesch{\"a}tzt werden. Das in der vorliegenden Arbeit vorgestellte probabilistische Modell nutzt eine Kaskade von Transformationsfunktionen (sog. \emph{Normalizing Flows}), um eine bedingte Wahrscheinlichkeitsdichtefunktion aus einem Smart-Meter-Datensatz zu erlernen. Somit erm{\"o}glicht die vollst{\"a}ndige Abbildung der Wahrscheinlichkeitsdichtefunktion eine Modellparametrisierung durch die Maximum-Likelihood-Methode, wodurch die besten Sch{\"a}tzung der vorliegenden Datenverteilung erzielt wird. Zur Evaluation des Ansatzes wurden zwei verschiedene Methoden des Deep Learnings miteinander verglichen: ein einfaches dreischichtiges Feedforward-Netzwerk sowie ein spezielles Faltungsnetzwerk, welches sich explizit zur sequentielle Datenverarbeitung eignet. Mithilfe dieser Netzarchitekturen wurden wiederum drei verschiedene probabilistische Modelle unterschiedlicher Komplexit{\"a}t parametrisiert. Als Trivialmodell wurde eine einfache Normalverteilung gew{\"a}hlt, welches anschließend mit einem Gaußschen Mischmodell und dem Normalizing-Flow-Modell verglichen wurde. In der Arbeit wurde gezeigt, dass das Normalizing-Flow-Modell, unabh{\"a}ngig der gew{\"a}hlten Netzarchitektur, die beiden anderen Ans{\"a}tze {\"u}bertrifft. Es modelliert am zuverl{\"a}ssigsten die komplexen Strukturen bzw. inneren Abh{\"a}ngigkeiten des untersuchten Datensatzes. Da die stochastische Natur der Daten so detailliert erfasst werden kann, ist diese Methodik auch f{\"u}r andere Anwendungsf{\"a}lle neben der reinen Lastprognose einsetzbar. So kann die Methode beispielsweise auch die Anomaliedetektion im Stromnetz sowie die synthetische Szenariengenerierung im Kontext der Stromnetzplanung Anwendung finden.},
  language  = {en}
}