2_​Energieverbrauch prognostizieren

Normalisierte Trainingsdaten für Zeitfenster vorbereiten

In diesem Knotenabschnitt werden die Energieverbrauchswerte als Trainingsdaten für die beiden künstlichen neuronalen Netzwerke aufbereitet. Es werden zunächst Sequenzen von jeweils 24 aufeinanderfolgenden Verbrauchswerten erstellt. Anschließend werden die Zahlenwerte dieser Sequenzen auf einen einheitlichen Bereich zwischen 0 und 1 umgerechnet (Normalisierung). Normalisierte Daten erleichtern den Lernprozess eines neuronalen Netzes.

Für das Training werden die Sequenzen aus jeweils 24 aufeinanderfolgenden Energieverbrauchswerten als Eingabe und der jeweils darauffolgende Energieverbrauchswert als gewünschte Ausgabe des Netzwerks verwendet. Anhand dieser Daten können die neuronalen Netze den Zusammenhang zwischen den Eingaben und gewünschten Ausgaben automatisch lernen.

Testdaten wie Trainingsdaten vorbereiten

Dieser Abschnitt bereitet die Testdaten im gleichen Format wie die Trainingsdaten auf. Zuerst werden aus den Zeitreihen 24 aufeinanderfolgende Werte als Eingabe und der darauffolgende Wert als gewünschte Ausgabe erzeugt. Davor werden die Testdaten mit demselben Normalisierungsmodell wie beim Training umgerechnet, damit die Prognosen der angelernten neuronalen Netze mit den tatsächlichen Werten (Grundwahrheit) fair verglichen werden können.

TCN-Modell für Verbrauchsprognosen definieren

Dieser Abschnitt definiert die Struktur eines neuronalen Netzes für die Zeitreihenprognose. Das Modell erhält im späteren Lernprozess im Rahmen der Ausführung des Keras Network Learner-KNotens jeweils 24 aufeinanderfolgende Verbrauchswerte als Eingabe, erkennt darin mit Faltungs-Schichten typische Muster und Zusammenhänge, verdichtet diese schrittweise und berechnet am Ende einen einzelnen Vorhersagewert für den nächsten Energieverbrauch.

Trainiere das Prognosemodell

In diesem Knoten wird das Keras-Netz mit den vorbereiteten Eingabesequenzen und den dazugehörigen Zielausgaben trainiert. Das Modell lernt, wie die letzten 24 Energieverbrauchswerte mit dem nächsten Wert zusammenhängen. Dabei wird die MSLE-Verlustfunktion verwendet, um den Vorhersagefehler während des Trainings zu messen.

LSTM-Prognosemodell aufbauen

Definiert ein rekurrentes neuronales Netz für die Zeitreihenprognose. Das Modell erhält im Lernprozess jeweils 24 aufeinanderfolgende Verbrauchswerte als Eingabe, verarbeitet deren zeitliche Abfolge mit einer LSTM-Schicht und erzeugt daraus am Ende einen einzelnen Vorhersagewert für den nächsten Energieverbrauch.

Vorhersagen und Grundwahrheit vergleichbar machen

Dieser Abschnitt bereitet die Ergebnisse für den direkten Vergleich vor. Die vom Modell erzeugte Vorhersage und der tatsächliche Zielwert werden aus ihren Listenformaten in zwei Spalten mit einzelnen Werte umgewandelt und passend benannt. So entsteht eine Tabelle, in der pro Zeile Prognose und echter Wert nebeneinander stehen und anschließend ausgewertet und visualisiert werden können.

Vorhersagen für den Vergleich aufbereiten

Dieser Abschnitt wandelt die Prognosewerte aus dem Modell aus ihrem Listenformat in normale Spalten um und bereitet sie damit für den direkten Vergleich mit den echten Zielwerten vor. So liegt am Ende pro Zeile ein einzelner vorhergesagter Wert in auswertbarer Form vor, der anschließend visualisiert oder bewertet werden kann.

Erzeuge Prognosen

Wendet das trainierte neuronale Netzwerk auf die vorbereiteten Testsequenzen an. Für jede Zeile nimmt das Modell die letzten 24 normalisierten Energiewerte als Eingabe und erzeugt einen vorhergesagten nächsten Wert, wodurch die Prognoseergebnisse für einen späteren Vergleich mit den tatsächlichen Werten erstellt werden.