30.01.2024

Journal Paper: “Short-term forecasting of German generation-based CO2 emission factors using parametric and non-parametric time series models”

Im Rahmen von unIT-e² ist eine weitere FfE Veröffentlichung erschienen. Das Paper “Short-term forecasting of German generation-based CO2 emission factors using parametric and non-parametric time series models” von den Autoren Alexander Bogensperger, Adrian Ostermann und Arian Bajrami ist seit dem 10.01.2024 im Energy Informatics Journal zu finden.

Wir freuen uns auf die neuesten Forschungsergebnisse unserer Experten Alexander Bogensperger, Adrian Ostermann und Arian Bajrami aufmerksam machen zu dürfen. Die Studie konzentriert sich auf die kurzfristige Vorhersage deutscher CO2-Emissionsfaktoren auf Basis der Stromerzeugung, um dazu beizutragen, flexible Lasten zu Zeiten geringer Emissionen zu verschieben. Anders als viele Studien zuvor setzen sie nicht nur auf Punktprognosen, sondern auf Intervallprognosen unter Verwendung verschiedener Features. Die Vielfalt an Modellen - von SARIMAX über Random Forest bis hin zu Deep Learning-Techniken wie CNN und LSTM - zeigen vielversprechende Ergebnisse. Besonders das Gradient Boosting-Modell sticht mit dem niedrigsten mittleren absoluten Fehler von 40,66 gCO2/kWh hervor. Während alle Modelle besser als die Benchmarks abschnitten, sehen wir besonders im Bereich Deep Learning noch ungenutztes Potenzial. Hierbei gilt es jedoch den erhöhten Implementierungsaufwand gegenüber dem Nutzen einer verbesserten Vorhersage in realen Anwendungen abzuwägen. Lesen Sie die Studie „Short-term forecasting of German generation-based CO2 emission factors using parametric and non-parametric time series models“ unter folgendem Link: https://lnkd.in/dxRN_Kqk
Co2paper