Die Prognose des Wärmebedarfs ist eine wichtige Grundlage zur Einsatzoptimierung in Energiesystemen. Der weltweite Energiebedarf wird, infolge des Klimawandels, zunehmend durch regenerative Energiequellen gedeckt. Da der Energieertrag aus diesen Quellen stark fluktuiert, ist eine möglichst genaue Vorhersage essenziell. So kann der Bedarf an Energie in Zeiten hoher Nachfrage zuverlässig gedeckt werden.
Automatische Modelladaption ermöglicht es, Prognosemodelle selbst nach Beeinflussung des charakteristischen Verlaufs von Lastprofilen weiterverwenden zu können. Dadurch erübrigen sich zeitaufwendige Messungen, um die Modelle an eine neue Nutzercharakteristik anzupassen. Die vorliegende Arbeit untersucht die Prognosegüte während einer kontinuierlichen Modelladaption und bewertet diese in geeigneter Form. Unter Modelladaption wird eine stetige Aktualisierung der historischen Messdatenbasis und eine kontinuierliche Neuberechnung der Modellparameter verstanden. Darüber hinaus wird mittels eines graduellen Abgleichs die Vorhersage korrigiert. Der Abgleich passt die absolute Höhe des prognostizierten Wärmebedarfs an die zugrundeliegende Messdatenbasis an. Außerdem werden typische Anlaufzeiten beziehungsweise Übergangsdauern, nachdem diese Modelle zuverlässige Prognose liefern, herausgearbeitet.
In dieser Arbeit werden vier verschiedene Modelle aufgestellt und untersucht. Ein Standardlastprofil-Modell, ein Regressions-Modell, ein ARIMA-Modell und eine Kombination aus dem Regressions- und dem ARIMA-Modell. Die Umsetzung erfolgt durch das Erstellen von drei Testszenarien, die alphabetisch benannt sind. Das Szenario a beschreibt einen Messbeginn ohne eine vorhandene historische Messdatenbasis. Szenario b simuliert einen Nutzerwechsel, der den charakteristischen Verlauf der Lastprofile zeitlich und quantitativ beeinflusst. Das Szenario c behandelt eine Bedarfsreduzierung infolge von Modernisierung.
Das Ergebnis der vorliegenden Arbeit ist, dass das kontinuierliche Aktualisieren der historischen Messdatenbasis die Prognosegüte verbessert. Des Weiteren kann das Beibehalten bestehender, nicht abgestimmter Messdatenbasen Ausreißer in der Prognose verhindern. Der graduelle Abgleich für Korrekturen, falls sich der Wärmebedarf signifikant in der absoluten Höhe verändert, erzielt in Szenario c für eine Bedarfsreduzierung von 65 % eine Verbesserung der Prognosegüte. Dies ist direkt nach dem Eintritt der Bedarfsreduzierung bemerkbar. Das kombinierte Regressions-ARIMA-Modell hat bei allen drei Testszenarien die besten Ergebnisse erbracht und wird somit als das am besten geeignete Modell identifiziert.