Der Gesetzgeber fordert von den Energieversorgungsunternehmen, ¨die Versorgung so sicher und billig wie moeglich zu gestalten¨. Um jederzeit ein stoerungsfreies und kostenguenstiges Angebot von elektrischer Energie zu gewaehrleisten, bedarf es einer moeglichst genauen Prognose der zu erwartenden Belastung im Versorgungsgebiet. Aufbauend auf den Erfahrungen bei der Prognose von Zeitreihen aus den Bereichen Umwelt und Verkehr wird in dieser Arbeit eine kurzfristige Vorhersage der elektrischen Belastung mit Hilfe der ¨Fuzzy-Pattern- Klassifikation¨ dargestellt. Dabei erfolgt die Modellbildung nicht allein auf der Basis der elektrischen Leistung, sondern wird durch zusaetzliche energiewirtschaftlich relevante Informationen, wie z.B. Klimadaten unterstuetzt. Zentraler Gegenstand der Untersuchungen ist die Frage, ob durch den Einsatz ergaenzender Informationen die Genauigkeit der Prognose bei kurzfristigen Vorhersagehorizonten (15 bis 120 Minuten) verbessert werden kann. Die mannigfaltigen Abhaengigkeiten zwischen elektrischer Belastung und ursaechlich wirkenden Einflussgroessen fuehren auf differenzierte Strategien zur Analyse und Prognose des Datenmaterials. Ausfuehrlich werden die Vorstrukturierung der Datenbasis, eine Prototypenmaskierung sowie die dynamische Parametrierung der Prognose erlaeutert und deren Wirksamkeit an realen Daten ueberprueft. Die Einschaetzungen zur Brauchbarkeit der Zusatzinformationen beruhen auf einem Vergleich von Prognoseresultaten der unterschiedlichen Modelle.

Der Gesetzgeber fordert von den Energieversorgungsunternehmen, ¨die Versorgung so sicher und billig wie moeglich zu gestalten¨. Um jederzeit ein stoerungsfreies und kostenguenstiges Angebot von elektrischer Energie zu gewaehrleisten, bedarf es einer moeglichst genauen Prognose der zu erwartenden Belastung im Versorgungsgebiet. Aufbauend auf den Erfahrungen bei der Prognose von Zeitreihen aus den Bereichen Umwelt und Verkehr wird in dieser Arbeit eine kurzfristige Vorhersage der elektrischen Belastung mit Hilfe der ¨Fuzzy-Pattern- Klassifikation¨ dargestellt. Dabei erfolgt die Modellbildung nicht allein auf der Basis der elektrischen Leistung, sondern wird durch zusaetzliche energiewirtschaftlich relevante Informationen, wie z.B. Klimadaten unterstuetzt. Zentraler Gegenstand der Untersuchungen ist die Frage, ob durch den Einsatz ergaenzender Informationen die Genauigkeit der Prognose bei kurzfristigen Vorhersagehorizonten (15 bis 120 Minuten) verbessert werden kann. Die mannigfaltigen Abhaengigkeiten zwischen elektrischer Belastung und ursaechlich wirkenden Einflussgroessen fuehren auf differenzierte Strategien zur Analyse und Prognose des Datenmaterials. Ausfuehrlich werden die Vorstrukturierung der Datenbasis, eine Prototypenmaskierung sowie die dynamische Parametrierung der Prognose erlaeutert und deren Wirksamkeit an realen Daten ueberprueft. Die Einschaetzungen zur Brauchbarkeit der Zusatzinformationen beruhen auf einem Vergleich von Prognoseresultaten der unterschiedlichen Modelle.