Time series aggregation for optimization

03.03.2023

Sonja Wogrin veröffentlichte ein neues Paper zum Thema Zeitreihenaggregation für Optimierung.

Eines der grundlegenden Probleme bei der Verwendung von Optimierungsmodellen, die unterschiedliche Zeitreihen als Dateneingabe verwenden, ist der Kompromiss zwischen Modellgenauigkeit und rechnerischer Nachvollziehbarkeit. Um die Rechenschwäche dieser vollständigen Optimierungsmodelle zu überwinden, werden die Dimension der Eingabedaten und die Modellgröße üblicherweise durch Zeitreihenaggregationsverfahren (TSA) reduziert. Herkömmliche TSA-Methoden wenden jedoch häufig einen einheitlichen Ansatz an, der auf der allgemeinen Überzeugung basiert, dass die Cluster, die die Eingabedaten am besten annähern, auch zu dem aggregierten Modell führen, das das vollständige Modell am besten annähert, während die Metrik, auf die es wirklich ankommt – der resultierende Ausgabefehler in Optimierungsergebnissen – nicht gut angegangen wird. In diesem Artikel wollen wir diese Annahme in Frage stellen und zeigen, dass auf Ausgabefehlern basierende TSA-Methoden mit theoretischen Untermauerungen ein beispielloses Potenzial an Recheneffizienz und -genauigkeit haben.

Der komplette Artikel:

• S. Wogrin (2023).
  Time series aggregation for optimization: One-size-fits-all?.
  IEEE Transactions on Smart Grid
  https://doi.org/10.1109/TSG.2023.3242467