Zusammenfassung
Bei der Professionalisierung der Direktvermarktung sind Märkte, Systeme und Prozesse entstanden, die von Vertrieben für die Belieferung von Registrierende-Leistungsmessung-Kunden genutzt werden können. Algorithmen können helfen, Muster in den historischen Verbrauchsabweichungen zu identifizieren und diese in der Kurzfristprognose so umzusetzen, dass genauere Prognosen erstellt und die Abweichungen automatisiert im Kurzfristhandel (Intraday) gehandelt werden. Hierdurch reduziert sich das Risiko des Vertriebs, hohe Kosten für Regelenergie bezahlen zu müssen, sodass für die Kunden attraktivere Angebote gemacht werden können. Die Vertriebe haben dadurch ein weiteres Differenzierungsmerkmal zur Erstellung von Kundenangeboten.
Mit Daten Werte schaffen – Prognosemodelle für die Energiewirtschaft auf dem Weg zum digitalen Energieversorger.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
BNetzA. (2018). Bilanzkreisvertrag Strom (Entwurf) (28. Feb. 2018). Bonn: Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen. https://www.netztransparenz.de/portals/1/Content/EU-Network-Codes/EB-Verordnung/20180228_Bilanzkreisvertrag_zur_Konsultation.pdf. Zugegriffen am 15.03.2019.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. https://www.the-modeling-agency.com/crisp-dm.pdf. Zugegriffen am 15.03.2019.
Hastie, T., Tibshirani, R., & Friedman, J. (2008). The elements of statistical learning: Data mining, inference, and prediction (2. Aufl.). Stanford: Springer.
Kuhn, M., & Kjell, J. (2013). Applied predictive modeling. New York: Springer.
Olson, D. L., & Wu, D. (2017). Predictive data mining models. In: Computational risk management (Buchreihe). Singapore: Springer Science + Business.
Runkler, T. A. (2010). Data Mining: Methoden und Algorithmen intelligenter Datenanalyse. Wiesbaden: Vieweg+Teubner.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Neuendorff, M., Schramme, C. (2020). Erstellung von Verbrauchsprognosen für Registrierende-Leistungsmessung-Kunden auf Basis von Echtzeitdaten. In: Doleski, O. (eds) Realisierung Utility 4.0 Band 1. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-25332-5_32
Download citation
DOI: https://doi.org/10.1007/978-3-658-25332-5_32
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-25331-8
Online ISBN: 978-3-658-25332-5
eBook Packages: Computer Science and Engineering (German Language)