Please use this identifier to cite or link to this item: https://doi.org/10.34712/142.10
DC FieldValueLanguage
dc.contributor.advisorWeidlich, Ingo-
dc.contributor.authorGreitzer, Maria-
dc.date.accessioned2021-04-29T12:49:06Z-
dc.date.available2021-04-29T12:49:06Z-
dc.date.issued2021-04-29-
dc.identifier.urihttps://repos.hcu-hamburg.de/handle/hcu/560-
dc.description.abstractSummary This work explores the possibilities of forecasting German gas imports and German gas consumption in detail by: • Identifying proper terminology, with initial thoughts on the status quo of forecasting, using analogies with music (section 3.1), • Understanding forecasting models based on statistics and machine learning (section 3.2), • Applying domain knowledge while constructing data sets (data acquisition) - various models have been tested on low resolution data sets (monthly and yearly data). In classical forecasting, forecasts are conducted at company level (e.g. electricity load forecasting) for a short-term period fulfilling the requirement of profit maximization. In contrast, this work’s forecasts spatially cover 1) all import nodes into Germany, 2) gas consumption in Germany with the focus on energy security. • Examining various notions of complexity in relation to forecasting Novelty in methodology • Considering infrastructure as the upper limit for the forecasting model (section 4.1) • Testing models for ex post forecasting of gas imports into Germany (section 4.2) • Testing models for ex post forecasting of gas consumption in Germany (section 4.3). Producing an ex ante forecast by answering “what will be the future gas consumption in Germany in next ten years” would cause the forecasting error to increase dramatically due to the uncertainty of future input values, such as population (lower risk) or, weather (higher uncertainty), which would lead to prediction intervals being too wide to make any statement about the future imports or consumption. • Applying complexity measures such as approximate entropy ApEn and sample entropy to two self-constructed real-world data sets on gas imports to Germany and gas consumption in Germany (section 3.3)en
dc.description.abstractDiese Arbeit untersucht die Möglichkeiten zur Prognose von Deutschen Gasimporten sowie des Gasverbrauchs in Deutschland im Detail, wie folgt: • Identifikation klarer Terminologie, mit ersten Gedanken zum Status Quo der Prognosetechnik (Abschnitt 3.1) • Erweiterung des Verständnisses von Prognosemodellen, die aus den Themenbereichen der Statistik und des maschinellen Lernens stammen (Abschnitt 3.2) • Anwendung von Fachwissen bei der Konstruktion von Datensätzen (Data acquisition) - verschiedene Modelle wurden auf niedrig aufgelösten Daten getestet. Bei der klassischen Vorgehensweise werden Prognosen auf Unternehmensebene (z.B. Stromlastprognose) für einen kurzfristigen Zeitraum durchgeführt, der die Anforderung der Gewinnmaximierung erfüllt. Im Gegensatz dazu umfassen in diesem Werk präsentierte Prognosen räumlich 1) alle Importknotenpunkte nach Deutschland und 2) den Gasverbrauch in Deutschland mit dem Fokus auf die Energiesicherheit. • Untersuchung verschiedener Begriffe von Komplexität in Bezug auf Prognosen Neuerungen in der Methodik • Betrachtung der Infrastrukturkapazität als Obergrenze für das Prognosemodell (Abschnitt 4.1) • Testen von Modellen für die Ex-post-Prognose von Gasimporten nach Deutschland (Abschnitt 4.2) • Testen von Modellen für die Ex-post-Prognose des Gasverbrauchs in Deutschland (Abschnitt 4.3). Erstellung von Ex-Ante-Prognosen durch Beantwortung der Frage: "Wie hoch wird der zukünftige Gasverbrauch in Deutschland in den nächsten zehn Jahren sein?" würde dazu führen, dass der Prognosefehler aufgrund der Unsicherheit der zukünftigen Werte von Inputs wie Bevölkerung (geringeres Risiko) oder Wetter (höhere Unsicherheit) dramatisch ansteigt. Dadurch würden die Vorhersageintervalle zu groß, um eine zutreffende Aussage über die zukünftigen Importe oder den Verbrauch zu treffen. • Die Anwendung von Komplexitätsmaßen wie der ungefähren Entropie (ApEn) und der Probenentropie auf zwei selbst konstruierte Realwelt-Datensätze zu Gasimporten nach Deutschland und Gasverbrauch in Deutschland (Abschnitt 3.3)de
dc.language.isoenen_US
dc.subjectenergy forecastingen
dc.subjectnatural gasen
dc.subjecthydrogenen
dc.subjectcomplexityen
dc.subjectinternational relationsen
dc.subjectinfrastructureen
dc.subjectErdgasde
dc.subjectWasserstoffde
dc.subjectKomplexitätde
dc.subjectInternationale Beziehungende
dc.subjectInfrastrukturde
dc.subjectEnergieprognosende
dc.subject.ddc333.7: Natürliche Ressourcen, Energie und Umwelten_US
dc.titleEnergy Forecasting. Focus: Natural gasen
dc.typeThesisen_US
dc.identifier.doi10.34712/142.10en_US
dcterms.dateAccepted2021-03-15-
dc.type.thesisdoctoralThesisen_US
dc.type.dinidoctoralThesis-
dc.type.driverdoctoralThesis-
dc.rights.cchttps://creativecommons.org/licenses/by-nc-sa/4.0/en_US
dc.type.casraiDissertation-
dcterms.DCMITypeText-
tuhh.identifier.urnurn:nbn:de:gbv:1373-repos-6886-
tuhh.oai.showtrueen_US
tuhh.publication.instituteTechnisches Infrastrukturmanagementen_US
tuhh.type.opusDissertation-
tuhh.contributor.refereeBradshaw, Michael-
tuhh.type.rdmfalse-
thesis.grantor.universityOrInstitutionHafenCity Universität Hamburgen_US
thesis.grantor.placeHamburgen_US
openaire.rightsinfo:eu-repo/semantics/openAccessen_US
item.creatorOrcidGreitzer, Maria-
item.cerifentitytypePublications-
item.grantfulltextopen-
item.creatorGNDGreitzer, Maria-
item.advisorGNDWeidlich, Ingo-
item.languageiso639-1en-
item.openairecristypehttp://purl.org/coar/resource_type/c_46ec-
item.fulltextWith Fulltext-
item.openairetypeThesis-
Appears in CollectionPublikationen (mit Volltext)
Files in This Item:
File Description SizeFormat  
2021-04-29_Greitzer-Maria_Dissertation.pdf3.58 MBAdobe PDFView/Open
Show simple item record

Page view(s)

116
checked on May 8, 2021

Download(s)

30
checked on May 8, 2021

Google ScholarTM

Check

Export

This item is licensed under a Creative Commons License Creative Commons