AT9539U1 - METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS - Google Patents
METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS Download PDFInfo
- Publication number
- AT9539U1 AT9539U1 AT0051306U AT5132006U AT9539U1 AT 9539 U1 AT9539 U1 AT 9539U1 AT 0051306 U AT0051306 U AT 0051306U AT 5132006 U AT5132006 U AT 5132006U AT 9539 U1 AT9539 U1 AT 9539U1
- Authority
- AT
- Austria
- Prior art keywords
- forecast
- forecasts
- prognosis
- unit
- individual
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000008094 contradictory effect Effects 0.000 claims abstract description 7
- 238000004393 prognosis Methods 0.000 claims description 74
- 238000004220 aggregation Methods 0.000 claims description 21
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000000926 separation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000006467 substitution reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 239000013585 weight reducing agent Substances 0.000 claims 1
- 238000009795 derivation Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 4
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Verfahren und System (1) zur automatisierten Herleitung von optimierten Prognosen auf der Basis von Einzelprognosen für die Steuerung oder Regelung operativer Systeme bzw. Prozesse (13), wobei von Prognoseeinheiten (2.i) gelieferte Einzelprognosen, die einen Wert für einen definierten zukünftigen System- oder Prozesszustand und dessen statistische Verteilung beschreiben und die unterschiedliche Gewichtungen sowie Rauschfaktoren aufweisen, auf widersprüchliche Aussagen untersucht werden, wobei widersprüchliche Einzelprognosen eliminiert und die verbleibenden Einzelprognosen unter Berücksichtigung der Rauschfaktoren zu einer optimierten Gesamt-Prognose aggregiert werden.Method and system (1) for the automated derivation of optimized forecasts on the basis of individual forecasts for the control or regulation of operative systems or processes (13), wherein individual predictions supplied by forecasting units (2.i) provide a value for a defined future system or process state and its statistical distribution and which have different weightings and noise factors, are examined for contradictory statements, whereby contradictory individual forecasts are eliminated and the remaining individual forecasts are aggregated taking into account the noise factors to an optimized overall forecast.
Description
2 AT 009 539 U12 AT 009 539 U1
Die Erfindung betrifft ein Verfahren zur automatisierten Ermittlung von optimierten Prognosen auf der Basis von Einzelprognosen für die Steuerung oder Regelung operativer Systeme bzw. Prozesse.The invention relates to a method for the automated determination of optimized forecasts on the basis of individual forecasts for the control or regulation of operative systems or processes.
Weiters bezieht sich die Erfindung auf ein System zur automatisierten Herleitung von optimierten Prognosen für die Steuerung oder Regelung operativer Systeme bzw. Prozesse.Furthermore, the invention relates to a system for the automated derivation of optimized forecasts for the control or regulation of operative systems or processes.
Zahlreiche Steuertechniken in operativen Systemen, z.B. bei industriellen Fertigungsprozessen, bei Anlagen zur Energieerzeugung oder bei der Steuerung von hydrologischen Anlagen, Hei-zungs- und Bewässerungssystemen bis hin zu Finanzhandelssystemen basieren auf automatischen Einheiten zur Generierung von Prognosedaten für bestimmte Systemzustands- oder Prozessparameter. Die Genauigkeit und Zuverlässigkeit solcher Prognosedaten ist oft eine wesentliche Voraussetzung für eine funktionierende Steuerung.Numerous control techniques in operational systems, e.g. Industrial manufacturing, power generation or control of hydrology, heating and irrigation systems, and financial trading systems are based on automatic units for generating forecast data for specific system state or process parameters. The accuracy and reliability of such forecast data is often an essential prerequisite for a functioning control.
Aus der DE 197 32 295 A1 ist es beispielsweise bekannt, Prognosedaten einer einzelnen Prognoseeinheit für eine prognostische Regelung einer Heizungsanlage einzusetzen, wobei im Einzelnen Wetterdaten einer zentralen Wetterstation zugeführt werden. Dabei ist jedoch lediglich die Übertragung von Prognosedaten von einer zentralen Prognoseeinheit vorgesehen, wobei im Fall von ungenauen Prognosen eine ungenügende Regelung der Heizungsanlage die Folge ist. Ein ähnliches System ist in der GB 2 309 567 A beschrieben, wobei hier zusätzlich die Rückübermittlung von Messdaten des Heizungssystems an eine zentrale Stelle vorgeschlagen wird.From DE 197 32 295 A1 it is known, for example, to use prognosis data of a single forecasting unit for a prognostic control of a heating system, wherein in particular weather data are fed to a central weather station. However, only the transmission of forecast data from a central forecasting unit is provided, whereby in the case of inaccurate forecasts an inadequate regulation of the heating system is the consequence. A similar system is described in GB 2 309 567 A, in which case additionally the return transmission of measurement data of the heating system to a central location is proposed.
Die Implementierung von Prognosemodellen für Einzelprognosen erfolgt an sich auf Basis bekannter statistischer Methoden und Modelle, insbesondere unter Einsatz moderner Verfahren, wie der in WO 2004/029738 A1 beschriebenen SOM-Methode (SOM - Seif Organizing Maps - Selbstorganisierende Karten) oder von Methoden aus dem Bereich der künstlichen Intelligenz (z.B. neuronale Netze, genetische Algorithmen).The implementation of forecasting models for individual forecasts is carried out on the basis of known statistical methods and models, in particular using modern methods, such as the method described in WO 2004/029738 A1 SOM method (SOM - Seif Organizing Maps - self-organizing maps) or methods of the Field of artificial intelligence (eg neural networks, genetic algorithms).
Viele dieser Methoden werden jedoch in automatischen Systemen bisher kaum eingesetzt, weil ihre Effizienz und Stabilität im Allgemeinen nicht sichergestellt werden kann. Ein Grund hierfür liegt im Fehlen statistisch gesicherter Aussagen über die Grenzen der Effizienz und Gültigkeit von Black-Box-Modellen, d.h. in Problemen im Zusammenhang mit der Erklärbarkeit und Zuverlässigkeit der Prognosen.However, many of these methods are rarely used in automated systems because their efficiency and stability in general can not be guaranteed. One reason for this is the lack of statistically validated statements about the limits of the efficiency and validity of black box models, i. in problems related to the predictability and reliability of forecasts.
Es ist daher Aufgabe der Erfindung, ein Verfahren bzw. ein System zur Herleitung von optimierten Prognosen vorzuschlagen, das auf mehreren Einzelprognosen basiert, die zur Erzielung einer hohen Zuverlässigkeit zu einer Gesamtprognose ausgewertet werden. Die Erfindung basiert dabei auf der Erkenntnis, dass bei Auswertung mehrerer Einzelprognosen über Gewichtungen Widersprüche eliminiert werden können und eine optimierte Gesamtprognose aus den Einzelprognosen hergeleitet werden kann, die auch sukzessive, durch entsprechende Korrektur der den Prognoseeinheiten zugeordneten Gewichten, immer exakter wird. Gleichzeitig wird ein Rauschfaktor ermittelt, der die Gültigkeit der optimierten Gesamtprognose beschreibt.It is therefore an object of the invention to provide a method and a system for the derivation of optimized forecasts, which is based on several individual forecasts, which are evaluated to achieve a high reliability to a total forecast. The invention is based on the finding that contradictions can be eliminated when evaluating several individual predictions about weights and an optimized overall forecast can be derived from the individual forecasts, which is also successively more accurate by appropriate correction of the weights assigned to the forecasting units. At the same time, a noise factor is determined which describes the validity of the optimized overall forecast.
Zur Lösung dieser Aufgabe sieht die Erfindung ein Verfahren und ein System wie in den unabhängigen Ansprüchen angegeben vor. Vorteilhafte Ausführungsformen und Weiterbildungen sind Gegenstand der abhängigen Ansprüche.To achieve this object, the invention provides a method and a system as specified in the independent claims. Advantageous embodiments and further developments are the subject of the dependent claims.
Die vorliegende Technik beruht auf der Anwendung einer adaptiven Methode, mit einer Komprimierungs-Kodierung, wobei in einem ersten Schritt eine Mehrzahl von Prognoseeinheiten ihre Prognosen für einen bestimmten System- oder Prozesszustand an eine zentrale Aggregationseinheit übermittelt. Dabei wird im Prognosesignal-Datensatz zusätzlich zum jeweiligen Prognosewert und seiner statistischen Verteilung auch eine Gewichtung sowie auch ein Rauschfaktor mitgegeben. Hierbei entsteht eine einheitliche Abstraktion der Daten unterschiedlicher Prognoseeinheiten, die durch Prognosehorizont, Prognosewert, dessen statistische Verteilung, sein 3 AT 009 539 U1The present technique is based on the application of an adaptive method, with a compression coding, wherein in a first step, a plurality of forecast units transmit their forecasts for a specific system or process state to a central aggregation unit. In addition to the respective forecast value and its statistical distribution, a weighting and a noise factor are also included in the prognosis signal dataset. This results in a uniform abstraction of the data of different forecasting units, which can be represented by the forecast horizon, forecast value, and statistical distribution of the 3 AT 009 539 U1
Prognosegewicht und Rauschfaktor gegeben ist. Diese Abstraktion ist für die einheitliche Übertragung und Rückübertragung von Prognosesignalen jeder Art geeignet.Prognosis weight and noise factor is given. This abstraction is suitable for the uniform transmission and retransmission of forecast signals of any kind.
Zur Verdeutlichung des Prognosesignal-Datensatzes kann folgendes Beispiel angeführt werden: Eine Starkregen-Prognoseeinheit prognostiziert eine Niederschlagsintensität in einem bestimmten Einzugsgebiet für einen bestimmten Zeitpunkt mit z.B. 0,35 mm/h, lognormal verteilt mit einer Standardabweichung von z.B. 5,2%. Diese Prognose wird mit einem Gewicht von z.B. 172% und einem die geschätzte Zuverlässigkeit der Prognose beschreibenden Rauschfaktor von z.B. 2,4% an eine zentrale Verarbeitungseinheit übermittelt.To illustrate the forecast signal record, the following example may be cited: A heavy rain forecast unit predicts a rainfall intensity in a particular catchment area for a given time with e.g. 0.35 mm / h, log normal distributed with a standard deviation of e.g. 5.2%. This prognosis is made with a weight of e.g. 172% and a noise factor describing the estimated reliability of the prognosis of e.g. 2.4% to a central processing unit.
An sich ist aus DE 195 37 850 A ein Verfahren zur Codierung von witterungsbezogenen Prognosedaten bekannt, welches aber eine rein meteorologische und keine universell anwendbare Prognosesignal-Codierung ermöglicht und auch keine Gewichtung und keinen Rauschfaktor zur Aggregierung und Verknüpfung von Signalen mehrerer Prognoseeinheiten vorsieht.In itself, DE 195 37 850 A discloses a method for encoding weather-related prognosis data, which, however, allows a purely meteorological and not universally applicable prognosis signal coding and also provides no weighting and no noise factor for aggregation and linking of signals of several prognosis units.
Die nachfolgend noch näher dargestellten mathematischen Operationen zur Eliminierung und Aggregierung derart codierter Prognosesignale, sowie zur Substitution und Evaluation von Prognosekonflikten stellen bevorzugte Möglichkeiten zur Erzielung der gewünschten, optimierten Prognoseermittlung dar, bei der die Gewichtung und der Rauschfaktor zur Aggregierung und Verknüpfung von Signalen mehrerer Prognoseeinheiten vorgesehen sind bzw. diese ermöglichen.The mathematical operations described below in more detail for the elimination and aggregation of such coded prognosis signals and for the substitution and evaluation of prognosis conflicts represent preferred possibilities for achieving the desired, optimized prognostic determination, in which the weighting and the noise factor are used to aggregate and link signals of several prognosis units are or allow this.
Die aufgrund von Widersprüchen eliminierten Prognosen jeweils zweier Prognoseeinheiten werden in einer Datenbank temporär, d.h. bis zum Ende des Prognosehorizonts, gespeichert, und zwar in Form je eines Prognosekonflikt-Datensatzes, der als einheitliche Abstraktion den errechneten Prognosetrennwert, das errechnete Gewichtungsverhältnis (Ratio) sowie die Gesamtgewichtung darstellt. Damit wird es möglich, trotz einer Mehrzahl von synchron oder asynchron einlangenden unterschiedlichen Einzelprognosen zu jedem Zeitpunkt nur eine einzige gültige, iterativ verbesserte Gesamtprognose zu ermitteln.The forecasts of two forecasting units eliminated due to contradictions are stored in a database temporarily, i. up to the end of the forecast horizon, in the form of one forecast conflict record each, which represents as a uniform abstraction the calculated forecast separation value, the calculated weighting ratio (ratio) and the overall weighting. This makes it possible, despite a plurality of synchronously or asynchronously arriving different individual forecasts at any time to determine only a single valid, iteratively improved overall forecast.
Dadurch ist nachfolgend eine kapazitätssparende Speicherung und jederzeitige Übertragung eines einzigen, den aggregierten und aktuellen Stand einer beliebig großen Anzahl von Einzelprognosen beschreibenden Datensatzes - in der Art einer Datenkompression - möglich. Dies ist insbesondere von Vorteil, wenn eine Prognose gleichzeitig als Input-Faktor für die Modellierung anderer, von diesem Wert abhängiger Prognosen (z.B. Temperatur und Niederschlag) oder für eine iterative Verbesserung der Prognose selbst dient.As a result, below is a capacity-saving storage and at any time transmission of a single, the aggregated and current state of any large number of individual forecasts descriptive record - in the manner of data compression - possible. This is particularly advantageous when a forecast also serves as an input factor for modeling other forecasts that depend on this value (e.g., temperature and precipitation) or for iteratively improving the forecast itself.
Die vorliegende Technik ermöglicht auch die Komprimierung der Prognoseinformation für Zwecke der Speicherung und Übertragung, völlig unabhängig vom jeweiligen Prognoseverfahren oder -modell der verbundenen Prognoseeinheiten. Dies ist ein weiterer Unterschied zu bekannten Prognoseermittlungen, die lediglich das Ziel verfolgen, aus einer oft großen Gesamtdatenmenge in einem spezifischen, beliebig aufwändigen Prognoseverfahren die gewünschten Prognosen zu ermitteln.The present technique also allows the compression of forecasting information for storage and transmission purposes, completely independent of the respective forecasting method or model of the associated forecasting units. This is a further difference to known prognosis determinations, which only pursue the goal of ascertaining the desired prognoses from an often large total data quantity in a specific, arbitrarily complex prognosis procedure.
Die Anwendung von Gewichten (Gewichtungen) ist vorteilhaft, da das verfügbare Gewicht einer besseren Prognoseeinheit laufend erhöht werden kann, wodurch deren Prognosen in der Folge bei der weiteren Aggregation stärker eingerechnet werden kann und sich so die aggregierten Gesamtprognosen laufend verbessern.The application of weights (weightings) is advantageous because the available weight of a better forecasting unit can be continuously increased, as a result of which its forecasts can be taken into greater account in the further aggregation, thus constantly improving the aggregated overall forecasts.
Es sei erwähnt, dass aus der US 6 036 349 A bereits die Anwendung von Gewichten, allerdings zur Validierung von Prognosemodellen, bekannt ist, wobei dort eine Beurteilung der Qualität der Prognoseeinheiten selbst angestrebt wird, ohne dass das Gewicht in die Gewinnung besserer Prognoseinformation einfließt oder das Gewicht eine automatische Regelung des Einflusses jeder Prognoseeinheit auf eine Gesamtprognose erlaubt. 4 AT 009 539 U1It should be noted that US Pat. No. 6,036,349 already discloses the use of weights, but for the validation of prognosis models, where an assessment of the quality of the prognosis units itself is aimed for, without the weight being taken into account in obtaining better prognosis information or the weight allows an automatic regulation of the influence of each prediction unit on an overall prognosis. 4 AT 009 539 U1
Die vorliegende Anwendung von rechnerischen Gewichten schafft weiters bei einer Mehrzahl von Prognoseeinheiten und Prognosewerten eine vorteilhafte Vernetzungswirkung. Wenn nämlich ein Prognosewert einen Input für das Prognosemodell einer zweiten Prognoseeinheit darstellt, kann letztere dafür einen angenommenen Prognosewert sowie ein Gewicht und einen geringeren Rauschfaktor bereitstellen, womit andere, nachgeordnete Prognoseeinheiten durch eine Verbesserung jenes ersten Prognosewertes potentiell an Gewicht gewinnen können und eine iterative Optimierung automatisch beginnt. In der Folge ergibt sich eine laufende Verringerung des Rauschfaktors aller betroffenen Prognosewerte, bis schließlich das Gesamtsystem ein Gleichgewicht erreicht. Die Verwendung von Gewichten ermöglicht also ein gegenüber Einzelprognosen verbessertes Gesamtsystem von vernetzten Prognosen.The present application of computational weights also provides a beneficial crosslinking effect on a plurality of forecasting units and forecasting values. Namely, if a forecast value represents an input for the forecasting model of a second forecasting unit, the latter can provide an assumed forecasting value and a weight and a lower noise factor, whereby other, downstream forecasting units can potentially gain weight by an improvement of that first forecasting value and an iterative optimization automatically starts. As a result, there is an ongoing reduction in the noise factor of all affected forecast values until finally the overall system reaches equilibrium. The use of weights thus enables an overall system of networked forecasts which is improved compared to individual forecasts.
Als Konsequenz des erfindungsgemäßen Systems ist es daher möglich, dass sich mehrere Prognoseeinheiten bezüglich mehrerer Prognosewerte vernetzen, indem sie auf der Knotenebene beliebige Verfahren (wie neuronale Netze oder Regressionen) für die Ermittlung von einzelnen Prognosewerten anwenden, welche die Prognosegüte optimieren, und auf Netzebene Optimierungsverfahren für die Übermittlung von Prognosen für die Aggregation anwenden, welche insgesamt die Gewichtzuordnung zur Prognoseeinheit maximieren.As a consequence of the system according to the invention, it is therefore possible for several forecast units to network with respect to several forecast values, by using arbitrary methods (such as neural networks or regressions) for the determination of individual forecast values which optimize the forecast quality at the node level and optimization methods at the network level apply aggregation forecasts that maximize the weight allocation to the forecasting unit.
Zur Verdeutlichung der Vorteilhaftigkeit der vorliegenden Vernetzung von Einzelprognosen sei folgendes Beispiel angeführt: Ein Staubecken dient sowohl der Energieerzeugung als auch dem Hochwasserschutz und der Bewässerung. Mehrere Prognoseeinheiten produzieren dazu relevante Prognoseinformationen, z.B. für Temperaturen, für Niederschlagsmengen und für die Bodenfeuchtigkeit des zugehörigen wasserwirtschaftlichen Einzugsgebietes. Eine Schleusensteuerungseinheit hat die Aufgabe, einen für die Energieerzeugung und für die Bewässerung einerseits sowie für den Hochwasserschutz andererseits optimalen (maximalen) Pegelstand unter Berücksichtigung der prognostizierten Zuflussganglinie zu halten, die von den obigen meteorologischen Prognosen, von den physikalischen Eigenschaften des jeweiligen Einzugsgebiets, aber auch von den Steuerungen vorgelagerter hydrologischer Einrichtungen abhängig ist, wobei die Steuerung aber ihrerseits Prognosedaten liefert, welche die Zuflussganglinie nachgelagerter hydrologischer Einrichtungen (Staubecken) betreffen. Gleichzeitig beeinflussen die meteorologischen (und andere) Prognosedaten auch die Prognosen für den Energie-und den Wasserverbrauch, wobei beispielsweise der Energieverbrauch mit niedrigeren Temperaturen um ein gewisses Maß steigen könnte, und der Wasserverbrauch bei höheren Temperaturen in saisonaler Abhängigkeit steigen könnte. Es wird somit deutlich, wie durch die Vernetzung der verschiedenen Prognosen eine verbesserte Gesamtsteuerung in Hinblick auf die drei Steuerungsziele (Überflutungsschutz, Energieproduktion, Bewässerung) möglich wird.To illustrate the advantages of the present network of individual forecasts, the following example is given: A reservoir serves both for energy generation and for flood protection and irrigation. Several forecast units produce relevant forecast information, e.g. for temperatures, for rainfall and for the soil moisture of the associated water catchment. The purpose of a lock control unit is to maintain a (maximum) water level optimal for power generation and irrigation on the one hand and flood protection on the basis of the predicted inflow line, which depends on the above meteorological forecasts, on the physical characteristics of the respective catchment area is dependent on the controls of upstream hydrological facilities, but the control in turn provides prognosis data concerning the inflow course of downstream hydrological facilities (reservoirs). At the same time, meteorological (and other) forecasting data also influence energy and water consumption forecasts, with energy consumption at lower temperatures, for example, rising to some extent and water use at higher temperatures increasing in seasonal dependency. It thus becomes clear how the interconnectedness of the different forecasts will lead to an improved overall control with regard to the three control objectives (flood protection, energy production, irrigation).
Bei der vorliegenden Technik wird bei der Aggregation der Einzelprognosen der von den Prognoseeinheiten übermittelte Rauschfaktor berücksichtigt, der zu übenwinden ist. Nachfolgend wird noch näher dargestellt, wie die Dichtefunktion eines lognormal verteilten Prognosewertes durch den Rauschfaktor verringert wird. Der Rauschfaktor begrenzt das Auftreten eines Prognosewiderspruchs: ohne ihn würde jede neue Prognose einer vorhergehenden unmittelbar widersprechen: mit einem Rauschfaktor kann eine Mehrzahl begrenzt unterschiedlicher Prognosen aktiv bleiben. Beispielsweise sieht eine erste Prognoseeinheit für einen bestimmten künftigen Zeitpunkt einen Pegelstand der oben genannten hydrologischen Einrichtung von 8,04 m mit einer Standardabweichung von 1,4% voraus. Diese Prognose wird mit einem Gewicht von 0,12 und mit einem Rauschfaktor von 2,7% codiert und übermittelt. Dagegen erwartet eine andere, zweite Prognoseeinheit einen Pegelstand von 8,11 m mit einer Standardabweichung von 1,8%, und sie meldet diese Prognose mit einem Gewicht von 0,24, aber einem Rauschfaktor von 7,6%. In gleicher Art können Prognosen für Temperaturen, Niederschlagsmengen, Bodenfeuchtigkeit, etc. codiert werden.In the present technique, the aggregation of the individual forecasts takes into account the noise factor transmitted by the forecasting units, which must be overcome. Below is shown in more detail how the density function of a lognormal distributed forecast value is reduced by the noise factor. The noise factor limits the occurrence of a prognosis contradiction: without it, each new prognosis would immediately contradict a previous one: with a noise factor, a plurality of limited different prognoses can remain active. For example, a first forecasting unit for a given future point in time will require a water level of the aforementioned 8.04m hydrological facility with a standard deviation of 1.4%. This prognosis is coded and transmitted with a weight of 0.12 and a noise factor of 2.7%. On the other hand, another second forecasting unit expects a water level of 8.11 meters with a standard deviation of 1.8% and reports this forecast with a weight of 0.24 but a noise factor of 7.6%. In the same way forecasts for temperatures, precipitation, soil moisture, etc. can be coded.
Ein Prognosewiderspruch unter Berücksichtigung des Rauschfaktors liegt nun erst vor, wenn die um den Rauschfaktor erhöhte inverse Wahrscheinlichkeit (nachfolgend als „Ratio“ bezeichnet), dass der Schlusswert zum Prognosezeitpunkt kleiner (oder größer) ist als ein bestimmter 5 AT 009 539 U1A prediction discrepancy taking into account the noise factor is now only when the inverse probability increased by the noise factor (hereinafter referred to as "ratio"), that the final value at the time of prognosis is smaller (or greater) than a certain 5 AT 009 539 U1
Datenpunkt, größer ist als die inverse Ratio (auch als Anti-Ratio bezeichnet) einer anderen Prognose am selben Datenpunkt. Dies kann berechnet werden, indem, wie nachfolgend noch genauer erläutert werden wird, mit Methoden der Kurvendiskussion ein Nullpunkt der zweiten Ableitung der (nachstehenden) Formel für den Ratioquotienten ermittelt wird, wobei für kleinere und größere Schlusswerte je ein Nullpunkt zu ermitteln ist. Gemäß der Erfindung werden derart widersprüchliche Prognosen in Abhängigkeit von ihren Gewichten ausgeschieden, und es wird wie erwähnt ein Prognosekonflikt-Datensatz generiert. Als Beispiel für einen Prognosekonflikt sei für die obige(n) Staubecken-Annahme(n) Folgendes angeführt: Der Prognosetrennwert liegt bei einem Pegelstand von 8,0786 mit einem Ratioquotienten von 1,42095 (Berechnungen siehe unten). Das Gewicht der ersten Prognose von 0,12 wird mit einer Ratio von 1,62036 vollständig eliminiert, die zweite Prognose bleibt aktiv und fließt nachfolgend mit einer Gewichtung von 0,1656 in die aggregierte Prognose ein, denn von ursprünglich 0,24 Gewicht sind nachfolgend 0,0744 (0,12 mal 0,62036) im Prognosekonflikt bis zum Prognosehorizont gebunden.Data point, greater than the inverse ratio (also called anti-ratio) of another forecast at the same data point. This can be calculated by, as will be explained in more detail below, using methods of the curve discussion to determine a zero point of the second derivative of the (below) formula for the ratio quotient, a zero point being determined for smaller and larger final values. According to the invention, such conflicting predictions are eliminated depending on their weights, and as mentioned, a forecast conflict record is generated. As an example of a forecast conflict, the following assumption is made for the above reservoir assumption (s): The forecast separation value is at a level of 8.0786 with a ratio of 1.42095 (see below for calculations). The weight of the first forecast of 0.12 is completely eliminated with a ratio of 1.62036, the second forecast remains active and subsequently flows into the aggregated forecast with a weighting of 0.1656, as of originally 0.24 weight are below 0.0744 (0.12 times 0.62036) in the forecast conflict bound to the forecast horizon.
Zum Prognosehorizont wird durch die Evaluierungseinheit die Gesamtgewichtung jedes Prognosekonflikt-Datensatzes jener Prognoseeinheit zugerechnet, die entweder anhand des von einer Messeinheit gemessenen tatsächlichen Wertes oder aber anhand eines zeitlich nachgelagerten Gesamtprognosewerts einer anderen Aggregationseinheit für denselben Prognosewert bezüglich des errechneten Prognosetrennwerts seitenrichtig war. Die zweite Methode kommt dann zur Anwendung, wenn der tatsächliche Wert zum fraglichen Prognosezeitpunkt nicht gemessen werden kann. Im obigen Beispiel ist der Pegelstand messbar, er könnte zum Beispiel bei 8,11 m liegen, wodurch die Einzelprognose der zweiten Prognoseeinheit künftig mehr Gewicht hat.For the forecast horizon, the evaluation unit assigns the total weighting of each prediction conflict record to that prediction unit that was correct for the same forecast value with respect to the calculated prognosis separation value, either on the basis of the actual value measured by one measurement unit or on the basis of a temporally downstream total prediction value of another aggregation unit. The second method is used when the actual value at the forecast time in question can not be measured. In the above example, the level can be measured, for example, it could be 8.11 m, which means that the individual forecast of the second forecast unit will have more weight in the future.
Die Prognoseeinheiten oder allgemein Eingabeeinheiten ermitteln mit einem (beliebigen eigenen) Verfahren somit regelmäßig Prognosen und übermitteln diese an das System, d.h. an die Rechnermittel. Vom System bevorzugt rückübermittelte aggregierte Prognosen (sowohl zu derselben als auch zu anderen Inputgrößen) und ihr Rauschfaktor können den Prognoseeinheiten im Sinne einer adaptiven Methode zur iterativen Verbesserung der eigenen Prognosen dienen.The forecast units or generally input units thus regularly use a (arbitrary own) method to determine forecasts and transmit them to the system, i. to the computer means. The system prefers returned aggregated forecasts (both at the same and other inputs) and their noise factor can serve the forecasting units in the sense of an adaptive method for the iterative improvement of their own forecasts.
Die eingehenden Prognosesignale werden vom System in einer Speichereinheit gespeichert und durchlaufen dann eine Prognosesignalverarbeitung, die zunächst ermittelt, ob das neue Prognosesignal einer bereits gespeicherten aktiven Prognose widerspricht und zu welcher aktiven Prognose der größte Widerspruch vorliegt. Widersprüchliche Prognosen werden durch eine nach dem Widerspruchsausmaß geordnete Elimination in einer Speichereinheit für Prognosekonflikte mit dem eliminierten Gewicht gespeichert, und die Elimination wird in den Prognosesignal-Datensätzen gewichtsreduzierend vermerkt. Prognosen mit einer auf Null reduzierten Gewichtung werden inaktiv. Aus den im Prognosespeicher verbleibenden aktiven Prognosen wird in der Aggregationseinheit durch statistische Aggregation eine optimierte Gesamtprognose errechnet.The incoming forecast signals are stored by the system in a memory unit and then go through a prognosis signal processing, which first determines whether the new prognosis signal contradicts an already stored active prognosis and to which active prognosis the greatest contradiction exists. Contradictory predictions are stored by elimination ordered by degree of contradiction in a predicted conflict memory unit with the weight eliminated, and the elimination is noted in the forecast signal data sets to reduce weight. Predictions with zero weighting become inactive. From the active forecasts remaining in the forecast memory, an optimized overall forecast is calculated in the aggregation unit by means of statistical aggregation.
Die optimierte Gesamtprognose wird sodann an eine Steuereinheit übermittelt, die ihrerseits daraus resultierende Steuersignale an eine Prozesseinheit weiter übermittelt. Zudem kann die ermittelte Gesamtprognose in geeigneter Periodizität von jenen Prognoseeinheiten auch aktiv abgefragt werden, die diesen Wert entweder prognostizieren oder als Input benötigen, ohne dass jeder einzelne aggregierte Wert übermittelt werden muss.The optimized overall prognosis is then transmitted to a control unit, which in turn forwards the resulting control signals to a process unit. In addition, the calculated overall forecast can also be actively queried in suitable periodicity by those forecast units which either forecast this value or need it as input, without having to transmit each individual aggregated value.
Im Prognosekonflikt-Speicher gespeicherte Datensätze werden zum Prognosehorizont evaluiert, indem der von einer Messeinheit tatsächlich gemessene Wert oder eine nachgelagerte Gesamtprognose mit ihnen verglichen werden. Die resultierenden freiwerdenden Gewichte werden der entsprechenden Prognoseeinheit zugerechnet.Records stored in the prediction conflict memory are evaluated at the forecast horizon by comparing the value actually measured by a measurement unit or a downstream overall forecast with them. The resulting released weights are assigned to the corresponding forecast unit.
Jene Prognoseeinheiten, denen Prognosekonflikt-Datensätze zugerechnet werden, können jederzeit anfordern, das Gewicht dieser Konflikt-Datensätze gegen Gewichtung anderer aktiver 6 AT 009 539 U1Those forecasting units to which forecast conflict records are attributed may request at any time the weight of these conflict records against weighting of other active 6 AT 009 539 U1
Prognosen zu substituieren. Das freigesetzte Gewicht steht der betreffenden Prognoseeinheit nachfolgend sofort für neue Prognosesignale zur Verfügung.To substitute forecasts. The released weight is immediately available to the relevant forecast unit for new forecast signals.
Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen, auf die sie jedoch nicht beschränkt sein soll, und unter Bezugnahme auf die Zeichnung noch weiter erläutert. In der Zeichnung zeigen im Einzelnen: Fig. 1 ein Blockschaltbild-artiges Schema eines Systems zur rechnergestützten Herleitung von optimierten Gesamtprognosen gemäß der Erfindung; Fig. 2 eine adjustierte Dichtefunktion für einen als Beispiel genommenen prognostizierten Pegelstand; Fig. 3 in einem Ablaufdiagramm die Vorgangsweise beim Verfahren zur Herleitung einer Gesamtprognose aus Einzelprognosen, mit einem System gemäß Fig. 1; Fig. 4 in einem Diagramm die zwei Ratioquotienten für das Beispiel des prognostizierten Pegelstands, zur Veranschaulichung der Konfliktzonenbestimmung; und Fig. 5 in einem Diagramm Ratiosumme über Pegelstand zwei Ratiosummen, zur Veranschaulichung der Trennwertbestimmung.The invention will be explained below with reference to embodiments, to which it should not be limited, and with reference to the drawings. 1 is a block diagram of a system for the computer-aided derivation of optimized overall forecasts according to the invention; FIG. 2 shows an adjusted density function for a predicted water level taken as an example; FIG. 3 is a flowchart showing the procedure in the method for deriving an overall forecast from individual forecasts, with a system according to FIG. 1; 4 shows in a diagram the two ratio quotients for the example of the predicted water level, to illustrate the conflict zone determination; and FIG. 5 in a diagram Ratiosumme over level two Ratiosummen, to illustrate the separation value determination.
In Fig. 1 ist ein System zur automatisierten Ermittlung von optimierten Prognosen gezeigt, wobei dieses System 1 von einzelnen Prognoseeinheiten 2.1, 2.2... 2.n (allgemein 2) Einzelprognosen zugeführt erhält. Das System 1 weist im gezeigten Beispiel mit einer Umrandung angegebene Rechnermittel 3 auf, die eine Speichereinheit 4 für die Prognosesignale, d.h. Einzelprognosen, sowie eine damit verbundene Prognosesignal-Verarbeitungseinheit 5 aufweisen.FIG. 1 shows a system for the automated determination of optimized forecasts, whereby this system 1 receives individual forecasts from individual forecast units 2.1, 2.2... 2.n (in general 2). The system 1 comprises in the example shown with a border specified computing means 3, which comprises a memory unit 4 for the forecast signals, i. Individual forecasts, as well as an associated prognosis signal processing unit 5 have.
Mehr im Detail übermitteln die Prognoseeinheiten 2.n (n = 1, 2...) Prognosesignale in Form jeweils eines Prognose-Datensatzes, der die Bezeichnung des prognostizierten Wertes, den Prognosehorizont, den Prognosewert und seine statistische Verteilung, sowie die Gewichtung und den Rauschfaktor darstellt. Dabei entsteht eine einheitliche Abstraktion der Daten unterschiedlicher Prognoseeinheiten 2.n, die in der Speichereinheit 4 für die nachfolgende Signalverarbeitung in der Verarbeitungseinheit 5 gespeichert werden.More in detail, the forecasting units 2.n (n = 1, 2...) Transmit forecast signals in the form of a forecast dataset containing the designation of the predicted value, the forecast horizon, the forecast value and its statistical distribution, as well as the weighting and the Noise factor represents. This results in a uniform abstraction of the data of different forecasting units 2.n, which are stored in the memory unit 4 for the subsequent signal processing in the processing unit 5.
Abgestellt wird in den Prognoseeinheiten 2.n auf einen Prognosewert mit der Zielgröße X, die im statistischen Sinn eine Zufallsvariable ist, und deren mögliche Ausprägungen Xj beispielsweise lognormal verteilt sind (mit dem Mittelwert μ und der Standardabweichung σ). Die adjustierte Dichtefunktion f(x,) ist gegeben durch: 1 -X 1 + r 1 1 — ___ ρ Zer ^2πσ2 xi wobei r den Rauschfaktor bezeichnet, σ die Standardabweichung des Prognosewertes, Xj den Ausprägungswert, und μ den Mittelwert. Diese Funktion f(Xj) kann auch vereinfacht angeschrieben werden als: ,,,., = '’’ 1 + r wobei LN’ die lognormale Dichtefunktion (als erste Ableitung der lognormalen Verteilungsfunktion) bezeichnet, die um den Rauschfaktor r adjustiert wird. Sie ist in Fig. 2 mit der Kurve 6, gemeinsam mit der Standard-Dichtefunktion, Kurve 7, dargestellt. Konkret wird dabei in Fig. 2 auf das erläuterte Beispiel der Pegelstands-Prognose abgestellt, wobei die adjustierte Dichtefunktion 6 bei X = 8,04 m lognormal verteilt, mit einer Standardabweichung σ = 1,4%, und einem Rauschfaktor r = 2,7%, veranschaulicht ist.In the forecasting units 2.n, a prognosis value with the target variable X, which in the statistical sense is a random variable, and whose possible values Xj are, for example, lognormally distributed (with the mean μ and the standard deviation σ), is used. The adjusted density function f (x,) is given by: 1 -X 1 + r 1 1 - ___ ρ Zer ^ 2πσ2 xi where r denotes the noise factor, σ the standard deviation of the forecast value, Xj the expression value, and μ the mean value. In simplified terms, this function f (Xj) can also be written as: ,,,., = '' '1 + r where LN' denotes the log normal density function (as the first derivative of the log normal distribution function) which is adjusted by the noise factor r. It is shown in FIG. 2 with the curve 6, together with the standard density function, curve 7. Specifically, in FIG. 2, the explanatory example of the level forecast is made, with the adjusted density function 6 distributed lognormally at X = 8.04 m, with a standard deviation σ = 1.4%, and a noise factor r = 2.7 %, is illustrated.
Daraus können in der Verarbeitungseinheit 5 pro Prognose wie folgt zwei Ratios Rm, Rmc als die um den Rauschfaktor r erhöhte inverse Wahrscheinlichkeit eines (Mess)Werts über und unter einem bestimmten Ausprägungswert x, ermittelt werden: 7 AT 009 539 U1 1 + fnrFrom this, two ratios Rm, Rmc can be determined in the processing unit 5 per forecast as the inverse probability of a (measurement) value above and below a specific value x increased by the noise factor r: 7 AT 009 539 U1 1 + fnr
Rm(xi) ϊ + φ wobei Rm die Ratio und LN die Lognormalverteilung bezeichnen und die zwei Fälle der Ausprägungsrichtung sich bestimmen als: {1 Messwert über Ausprägungswert x, -1 Messwert über Ausprägungswert X;Rm (xi) ϊ + φ where Rm denotes the ratio and LN the log normal distribution and the two cases of the characteristic direction are determined as: {1 measured value over characteristic value x, -1 measured value over characteristic value X;
Die komplementäre Ratio oder Anti-Ratio für die weitere Verarbeitung bzw. für Zwecke des Vergleichs mit anderen Prognosen errechnet sich demgemäß jeweils als: + rm + Φ* LN^Xj)The complementary ratio or anti-ratio for further processing or for purposes of comparison with other forecasts is accordingly calculated as: + rm + Φ * LN ^ Xj)
Jedes neue Prognosesignal wird in der Prognosesignal-Verarbeitungseinheit 5 darauf geprüft, ob es zu einer aktiven Prognose (d.h. einer bereits eingelangten, gespeicherten, aber noch nicht eliminierten Prognose) in Widerspruch steht, und in diesem Fall werden die Prognosen in der Reihenfolge der größten Widersprüche mit Hilfe einer mit der Verarbeitungseinheit 5 verbundenen Eliminationseinheit 8 (s. Fig. 1) eliminiert.Each new forecast signal is checked in the predictive signal processing unit 5 to see if it contradicts an active forecast (ie, a forecast that has already been received, stored, but not yet eliminated), in which case the forecasts will be in order of greatest contradiction with the aid of an elimination unit 8 (see Fig. 1) connected to the processing unit 5.
Dieser Vorgang kann beispielsweise im Detail wie in Fig. 3 gezeigt erfolgen:This process may, for example, be done in detail as shown in FIG. 3:
Nach einem Startschritt 8.1 in Fig. 3 wird zunächst gemäß Feld 8.2 geprüft, ob für das bezeich-nete Prognoseobjekt des Prognosesignals bereits aktive Prognosen in der Speichereinheit 4 gespeichert sind. Falls nicht, ist keine Eliminierung erforderlich und kann sofort mit der Aggregation in einer ebenfalls mit der Verarbeitungseinheit verbundenen Aggregationseinheit 9 (s. Fig. 1) fortgesetzt werden.After a start step 8.1 in FIG. 3, it is first checked according to field 8.2 whether active forecasts are already stored in the memory unit 4 for the designated prognosis object of the prognosis signal. If not, no elimination is required and can be continued immediately with the aggregation in an aggregation unit 9 (see Fig. 1) also connected to the processing unit.
Falls doch schon aktive Prognosen existieren, werden zunächst gemäß Block 8.3 durch ein geeignetes Verfahren der Kurvendiskussion, wie zum Beispiel das Newtonverfahren oder das Sekantenverfahren, die Maxima der zwei Ratioquotienten h*(Xj) (d.h. je ein Ratioquotient - h+, h. - pro Ausprägung von φ [1, +1]) zwischen dem neuen Prognosesignal und jeder einzelnen aktiven Prognose ermittelt.If already active forecasts exist, then, according to block 8.3, by a suitable method of the curve discussion, such as the Newton's method or the secant method, the maxima of the two ratio quotients h * (Xj) (ie one quotient quotient each - h +, h Expression of φ [1, +1]) between the new forecast signal and each individual active forecast.
Pro Paarung werden also zwei Ratioquotienten ermittelt, indem zunächst jede der beiden Ratlos der neuen Prognose bezogen auf die jeweils entsprechende Anti-Ratio jeder aktiven Prognose auf ein Maximum geprüft wird. Die Wahrscheinlichkeitsverteilung kann je nach der Art des prognostizierten Wertes unterschiedlich sein; nachfolgend wird aber zur Vereinfachung eine bestimmte, nämlich die bei hydrologischen Phänomenen (z.B. Wasserpegel) typische, Lognormalverteilung zugrunde gelegt.Thus, two ratio quotients are determined per pairing, by first checking each of the two perplexities of the new forecast based on the corresponding anti-ratio of each active forecast to a maximum. The probability distribution may vary depending on the type of the predicted value; however, for the sake of simplicity, a specific lognormal distribution typical of hydrological phenomena (e.g.
Beispielsweise kann die Ermittlung unter Benützung der folgenden Bedingung erfolgen, wobei für die erste Ableitung der folgenden Bedingung für den Ratioquotienten eine Nullstelle für ein Maximum gesucht werden muss (mit einem geeigneten Verfahren, wie beispielsweise dem Newtonverfahren oder dem Sekantenverfahren, wie vorstehend erwähnt): h(x,) = RJ*:)RU*:) δ ΑΤ 009 539 U1 1 -φ 1 + ^ 1 + Λ, > 1 -^- + φ* LNn(Xj) ~2~ + Γιτ>+Φ* LNniXj ) wobei h den Ratioquotienten am Wert x, bezeichnet, bei φ = -1 ausgedrückt als h. und bei φ = +1 ausgedrückt als h+.For example, the determination may be made using the following condition, wherein for the first derivative of the following condition for the ratio quotient, a root must be searched for a maximum (by a suitable method such as the Newton's method or the secant method as mentioned above): h (x,) = RJ * :) RU * :) δ ΑΤ 009 539 U1 1 -φ 1 + ^ 1 + Λ, > 1 - ^ - + φ * LNn (Xj) ~ 2 ~ + Γιτ> + Φ * LNniXj) where h denotes the ratio quotient at the value x, expressed as h at φ = -1. and at φ = +1 expressed as h +.
Ist ein solches Maximum mit einem der beiden Ratioquotienten über Eins gegeben, vgl. auch das Abfrage-Feld 8.4 in Fig. 3, so liegt ein widersprüchliches Prognosesignal vor, und es muss mittels eines Prognosekonflikt-Datensatzes zunächst Prognosegewicht eliminiert werden, s. Block 8.5 in Fig. 3.If such a maximum is given over one with one of the two ratio quotients, cf. also the query field 8.4 in Fig. 3, so there is a contradictory forecast signal, and it must by means of a prognosis conflict data set first prognosis weight be eliminated, s. Block 8.5 in FIG. 3.
In Fig. 4 ist ein Beispiel für die zwei Ratioquotienten h. und h+ bei einer vorherrschenden Pegel-stands-Prognose von Xi = 8,04 m, σ·\ = 1,4%, π = 2,7% und einer neuen Pegelstands-Prognose von X2 = 8,11 m, o2 = 1,8%, r2 = 7,6% veranschaulicht.FIG. 4 shows an example of the two ratio quotients h. and h + with a predominant level-level prediction of Xi = 8.04 m, σ · \ = 1.4%, π = 2.7% and a new level-level prediction of X2 = 8.11 m, o2 = 1 , 8%, r2 = 7.6%.
Im Beispiel wird deutlich, dass zwischen der neuen Prognose einer Prognoseeinheit, z.B. der Prognoseeinheit 2.2, von 8,11 m (o = 1,8%) und der vorherrschenden Prognose einer Prognoseeinheit, z.B. der Prognoseeinheit 2.1, von 8,04 m (σ = 1,4%) im Wertebereich von 7,94 bis 8,39 m (Punkte A, B), wo die Kurve für den Ratioquotienten für die Ausprägung φ = +1 über der Schwelle von Eins liegt, ein Prognosewiderspruch besteht, der den Rauschfaktor von jeweils 2,7 und 7,6% übersteigt, da nach der neuen Prognose z.B. ein Ausprägungswert x2 bis zu 8,04 eine Wahrscheinlichkeit von 31,5% (rauschadjustiert 36,34%), nach der vorherrschenden Prognose ein Ausprägungswert über 8,04 aber eine Standardwahrscheinlichkeit von 50,0% (rauschadjustiert 48,69%) hat, woraus sich ein Ratioquotient von 1,3396 ergibt (48,69/36,34). Somit könnte z.B. 100% Gewicht der Prognose der Prognoseeinheit 2.2 gegen 60% Gewicht der Prognoseeinheit 2.1 aufgerechnet werden und daher für beide Prognoseinheiten 2.1, 2.2 a priori ein zumindest den Rauschfaktor übersteigendes höheres künftiges Prognosegewicht erwartet werden (worin der gesuchte Widerspruch liegt): 1. Prognose: [60% + 2,7% = 61,6%] < [160% x 50,0% = 80,0%] 2. Prognose: [100% + 7,6% = 107,6%] < [160% x (1 - 31,5%) = 160% x 68,5% -109,6%]In the example it becomes clear that between the new prognosis of a prognosis unit, e.g. the forecasting unit 2.2, of 8.11 m (o = 1.8%) and the prevailing prognosis of a prognosis unit, e.g. of the forecast unit 2.1, from 8,04 m (σ = 1,4%) in the value range of 7,94 to 8,39 m (points A, B), where the curve for the ratio quotient for the expression φ = +1 over the Threshold of one is, there is a prognosis contradiction, which exceeds the noise factor of 2.7 and 7.6% respectively, since according to the new forecast, for example an occurrence value x2 up to 8.04 has a probability of 31.5% (noise-adjusted 36.34%), according to the prevailing prognosis an expression value above 8.04 but a standard probability of 50.0% (noise-adjusted 48.69%), resulting in a ratio of 1.3396 (48.69 / 36.34). Thus, e.g. 100% weight of the prognosis of the prognosis unit 2.2 versus 60% weight of the prediction unit 2.1 are calculated and therefore a higher prediction weight exceeding the noise factor is expected for both prognosis units 2.1, 2.2 a priori (which is the desired contradiction): 1. prognosis: 60% + 2.7% = 61.6%] < [160% x 50.0% = 80.0%] 2nd prognosis: [100% + 7.6% = 107.6%] < [160% x (1 - 31.5%) = 160% x 68.5% -109.6%]
In diesem Beispiel ergibt sich für die zweite Prognoseeinheit 2 auf Basis der eigenen Prognosewerte ein Gewichtszuwachs von 9,6%, der somit den aufgrund des Rauschfaktors erforderlichen Zuwachs von 7,6% übersteigt.In this example, the second prediction unit 2, based on its own prognosis values, has a weight gain of 9.6%, which thus exceeds the 7.6% increase due to the noise factor.
In diesem Wertebereich kann nun prinzipiell ein beliebiger Ausprägungswert Xi als Prognosetrennwert angenommen werden, und für diesen Wert können die jeweiligen Ratios Rm> Rm berechnet werden, die das Gewichtsbeitragsverhältnis im Prognosekonflikt-Datensatz bestimmen.In this value range, an arbitrary value Xi can be assumed in principle as a prognosis separation value, and for this value the respective ratios Rm > Rm, which determine the weight contribution ratio in the forecast conflict record.
Hierbei hat es sich als vorteilhaft erwiesen, jenen Ausprägungswert * als Prognosetrennwert zu bestimmen, bei dem die Summe des durch den Prognosekonflikt eliminierten Prognosegewichts maximal ist. Dieser Ausprägungswert liegt bei jenem Wert, an dem wiederum die jeweils zugehörige der zwei Ratiosummen minimal ist, wobei die Hauptbedingung bestehen bleibt, dass der Ratioquotient beim ermittelten Trennwert größer als 1 sein muss. Diese minimale Ratiosumme errechnet sich, indem für die erste Ableitung der folgenden Formel für die Ratiosumme mit einem der oben angeführten Verfahren der Kurvendiskussion ein Minimum gesucht wird: 9<*,) = RJx,) * «„<*,) = -+ ... 1*r"- ~^ + φ*Ι.Ν„(χι) 9 AT 009 539 U1 wobei g die Ratiosumme am Wert Xi bezeichnet, bei φ = -1 ausgedrückt als g. und bei φ - +1 ausgedrückt als g+.In this case, it has proven to be advantageous to determine that expression value * as a forecast separation value at which the sum of the forecast weight eliminated by the forecast conflict is the maximum. This expression value is at that value, at which in each case the respectively associated one of the two ratio sums is minimal, whereby the main condition remains that the ratio quotient must be greater than 1 at the determined separation value. This minimum ratio is calculated by looking for a minimum for the first derivative of the following formula for the ratio by one of the above-mentioned methods of the curve discussion: 9 < *,) = RJx,) * " < *,) = - + ... 1 * r " - ~ ^ + φ * Ι.Ν "(χι) 9 AT 009 539 U1 where g denotes the ratio sum at the value Xi, expressed as g at φ = -1. and at φ - +1 expressed as g +.
Ein Beispiel für die zwei Ratiosummen g+, g. wie oben bei einem Pegelstand Xi = 8,04 m, a, = 1,4%, n = 2,7% (vorherrschende Prognose), bzw. einem Pegelstand X2 = 8,11 m, o2 = 1,8%, r2 = 7,6% (neue Prognose) ist in Fig. 5 veranschaulicht.An example of the two ratio sums g +, g. as above with a water level Xi = 8.04 m, a, = 1.4%, n = 2.7% (prevailing forecast), or a water level X2 = 8.11 m, o2 = 1.8%, r2 = 7.6% (new prognosis) is illustrated in FIG.
Sollte an diesem Minimum der Ratiosumme der entsprechende Ratioquotient kleiner Eins sein, Xi also außerhalb der Prognosekonfliktzone liegen, so wird vom Minimum der Ratiosumme weg der nächste Punkt gesucht, an dem er gleich 1 ist; im Falle von zwei solchen Punkten x,, Xj wird jener gewählt, der die geringere Ratiosumme aufweist.If, at this minimum of the ratio sum, the corresponding ratio quotient is less than one, ie, Xi are outside the forecast conflict zone, then the minimum point of the ratio sum is searched for the next point at which it is equal to 1; in the case of two such points x ,, Xj, one chooses that which has the lower ratio.
Nachfolgend wird in die Ratio-Queue ein Eintrag nach den dazugehörigen Ratioquotienten einsortiert und dazu der ermittelte optimale Ausprägungswert x, als Trennwert vermerkt (s. Block 8.5 in Fig. 3).Subsequently, an entry is sorted into the ratio queue according to the corresponding ratio quotients and, for this purpose, the ascertained optimal expression value x, is noted as a separation value (see block 8.5 in FIG.
Die Ratio-Queue wird nun nach Ratiosummen aufsteigend sortiert (vgl. Block 8.6 in Fig. 3), und nach einer Abfrage (Feld 8.7), ob die Ratio-Queue einen Eintrag enthält, sowie einer Abfrage (Feld 8.8), ob das Gewicht der neuen Prognose zu 100% eliminiert wird, im negativen Fall abgearbeitet, indem Prognosekonflikt-Datensätze generiert werden, wobei aufgrund der zugehörigen Ratios das eliminierte Gewicht Gm bestimmt wird. Dazu wird geprüft, ob die neue Prognose das höhere relative Gewicht Gn aufweist:The ratio queue is now sorted in ascending order by ratio sums (see block 8.6 in Fig. 3), and after a query (field 8.7), if the ratio queue contains an entry and a query (field 8.8), if the weight The new forecast is eliminated 100%, in the negative case processed by generating forecast conflict data records, whereby the eliminated weight Gm is determined on the basis of the associated ratios. For this purpose, it is checked whether the new prognosis has the higher relative weight Gn:
Gn *(Rn -^)> GmGn * (Rn - ^) > gm
In diesem Fall wird gemäß Block 8.9 in Fig. 3 das Gewicht der neuen Prognose um G„=Gn-Gmx(Rm-1) reduziert, und ein Prognosekonflikt-Datensatz wird mit dem Trennwert und den beiden Gewichten Gn, Gm und Ratios Rm, Rmc in einer Speichereinheit 10 (s. Fig. 1) abgespeichert, vgl. Block 8.10. Dann wird der nächste Eintrag in der Ratio-Queue abgearbeitet.In this case, according to block 8.9 in FIG. 3, the weight of the new forecast is reduced by G "= Gn-Gmx (Rm-1), and a forecast conflict record is set with the cut-off value and the two weights Gn, Gm and Ratios Rm, Rmc stored in a memory unit 10 (see Fig. 1), cf. Block 8.10. Then the next entry in the ratio queue is processed.
Im gegenteiligen Fall reduziert sich das Gewicht Gm der aktiven Prognose (Block 8.9) analog umIn the opposite case, the weight Gm of the active forecast (block 8.9) is reduced analogously
Gm ~ Gm ~ Gn X (Rn ~ U und der entsprechende Prognosekonflikt-Datensatz wird gemäß Block 8.10 mit dem Trennwert und den beiden Gewichten Gm, Gn und Ratios Rm, Rm0 in der Speichereinheit 10 (s. Fig. 1) abgespeichert.Gm ~ Gm ~ Gn X (Rn ~ U and the corresponding prediction conflict data set is stored in block 8,10 with the separation value and the two weights Gm, Gn and Ratios Rm, Rm0 in the memory unit 10 (see Fig. 1).
Ist die neue Prognose gänzlich eliminiert (Feld 8.8 in Fig. 3, Ausgang „Ja“) oder die Ratio-Queue abgearbeitet (Feld 8.7, Ausgang „Nein“), so wird mit der Aggregation der neuen Prognoseinformation in der Aggregationseinheit 9 (s. Fig. 1) fortgesetzt.If the new forecast is completely eliminated (field 8.8 in Fig. 3, output "Yes") or the ratio queue is processed (field 8.7, output "No"), the aggregation of the new forecast information in the aggregation unit 9 (see FIG. Fig. 1) continued.
Nachdem auf die vorstehend beschriebene Weise widersprüchliche Prognosesignale eliminiert wurden, werden die verbleibenden aktiven Prognosen in der Aggregationseinheit 9 (Fig. 1) auf geeignete Art aggregiert, vgl. auch Block 8.11 in Fig. 3. Vorteilhafte Aggregationsmöglichkeiten sind unter anderem das Simple-Verfahren, das Mitteverfahren und das Kombinationsverfahren. - Beim Simple-Verfahren wird die Prognose mit dem geringsten Rauschfaktor r als beschreibende Größe herangezogen, und von ihr werden xo, σ0, L0 und r0 abgelesen. - Beim Mitteverfahren wird die Kombination jener Prognosen Ps bzw. Pjt jeweils mit Verteilung 10 AT 009 539 U1 LN und Rauschfaktor r, herangezogen, bei denen die folgenden zwei Ausprägungswerte xu bzw. x<i der mit dem Rauschfaktor adjustierten Mediane jeweils minimal bzw. maximal sind: arg min 0.5 1 + Γ- arg max ^W = 0,5 1-oAfter contradictory prediction signals have been eliminated in the manner described above, the remaining active forecasts are aggregated in the aggregation unit 9 (FIG. 1) in a suitable manner, cf. also block 8.11 in FIG. 3. Advantageous aggregation possibilities include the simple method, the middle method and the combination method. - In the simple method, the forecast with the lowest noise factor r is used as the descriptive variable, and from it xo, σ0, L0 and r0 are read off. In the middle method, the combination of those predictions Ps and Pjt, respectively, with a distribution 10 AT 009 539 U1 LN and noise factor r, in which the following two values xu and x <i of the noise factors adjusted medians are respectively minimal and maximum are: arg min 0.5 1 + Γ- arg max ^ W = 0.5 1-o
Die aggregierte (Gesamt-)Prognose P0 mit Xo, σ0, G0 und r0 ergibt sich aus Prognosen Pi bzw. Pj wie folgt:The aggregate (total) forecast P0 with Xo, σ0, G0 and r0 is derived from forecasts Pi and Pj as follows:
Der aggregierte Prognosewert ist: *o = yl*d x Für σ0 gilt der mit Werten Gj und Gj gewichtete Durchschnitt von Oj und Oj.The aggregated forecast value is: * o = yl * d x For σ0, the average of Oj and Oj weighted by values Gj and Gj holds.
Beim Gewicht G gilt die Gewichtssumme. Der aggregierte Rauschfaktor r0 errechnet sich wie folgt, wobei LN0 die lognormale Verteilungsfunktion für Xq und σ0 bezeichnet: r0 = LN0(xu) - LN0(Xd) - Beim Kombinationsverfahren werden alle aktiven Prognosen gewichtet kombiniert. In einer Kombinationsmöglichkeit wird die Gewichtssumme G aller n aktiven Prognosen errechnet. G = ZG;The weight G is the weight sum. The aggregated noise factor r0 is calculated as follows, where LN0 denotes the lognormal distribution function for Xq and σ0: r0 = LN0 (xu) - LN0 (Xd) - The combination method combines all active forecasts weighted. In a combination option, the weight sum G of all n active forecasts is calculated. G = ZG;
Alternativ sind auch Adjustierungen der Gewichte möglich, um Einzelprognosen mit höherem Rauschfaktor bei der Aggregierung weniger zu berücksichtigen, indem zum Beispiel Gj durch r2 geteilt wird.Alternatively, adjustments to the weights are also possible to less account for single predictions with higher noise factor in the aggregation, for example, by dividing Gj by r2.
Nun errechnet sich in der ersten beispielhaften Kombinationsmöglichkeit das relativ gewichtete Mittel Xo wie folgt: *o =lnfn*?'Now, in the first exemplary combination possibility, the relatively weighted mean Xo is calculated as follows: * o = lnfn *? '
Die relativ gewichtete kombinierte Standardabweichung o0 bestimmt sich sodann als: σο si%Gi *af.The relatively weighted combined standard deviation o0 is then determined as: σο si% Gi * af.
Ca /=1Ca / = 1
Nachdem eine aggregierte Prognoseinformation vorliegt, die gemäß Fig. 1 einer Steuereinheit 12 zwecks Ansteuerung einer Prozesseinheit 13 zugeführt wird, und die bevorzugt auch den vernetzten Prognoseeinheiten 2.i sowie gegebenenfalls anderen, nachgeordneten Prognoseeinheiten 2' übermittelt wird, kann es für eine Prognoseeinheit vorteilhaft sein, bei Bedarf gebundenes Gewicht aus Prognosekonflikten für andere Prognosezwecke freisetzen zu können, vgl. auch Block 8.12 in Fig. 3, wobei momentan aktive Prognosesignal-Datensätze zur Gewichtssubstitution - in einer Substitutionseinheit 15 - eingesetzt werden.After an aggregated prognosis information is present, which is supplied according to FIG. 1 to a control unit 12 for the purpose of controlling a process unit 13, and which is preferably also transmitted to the networked forecasting units 2.i and optionally other downstream forecasting units 2 ', it can be advantageous for a forecasting unit to be able to release bound weight from forecasting conflicts for other forecasting purposes if necessary, cf. also block 8.12 in Fig. 3, wherein currently active prognosis signal data sets for weight substitution - in a substitution unit 15 - are used.
Zur Substitution übermittelt die Prognoseeinheit 2 ein Substitutionssignal an die Substitutionseinheit 15 des zentralen Prognosesystems 1, die das freizusetzende Gewicht wie folgt ermittelt: 11 AT 009 539 U1For substitution, the prediction unit 2 transmits a substitution signal to the substitution unit 15 of the central prognosis system 1, which determines the weight to be released as follows: 11 AT 009 539 U1
Zunächst wird nach der oben bereits angeführten Formel für die Ratioberechnung für jedes im Prognosesignal-Speicher 4 gespeicherte aktive Prognosesignal n seine Ratio (Rn) bezogen auf den spezifischen Prognosetrennwert (*) des zu substituierenden Prognosekonflikt-Datensatzes / unter Berücksichtigung der Konfliktseite φ ermittelt und pro aktiver Prognose in eine Ratio-Queue eingetragen. Danach wird jeder Eintrag der Ratio-Queue aufsteigend sortiert. Danach wird diese Ratio-Queue abgearbeitet, indem das durch die Prognosesubstitution freisetzbare Gewicht wie folgt errechnet wird:First, according to the above-mentioned formula for the ratio calculation, for each active prognosis signal n stored in the prognosis signal memory 4, its ratio (Rn) relative to the specific prognosis separation value (*) of the prediction conflict dataset to be substituted / is determined taking into account the conflict side φ and per active forecast entered into a ratio queue. Then each entry of the ratio queue is sorted in ascending order. Thereafter, this ratio queue is processed by calculating the weight releasable by the prognosis substitution as follows:
GfreiGfrei
wobei G| das im Prognosekonflikt / gebundene Gewicht, R, dessen ursprüngliche Ratio des Konflikt-Datensatzes, und Rn die Ratio der aktiven Prognose aus der Ratio-Queue bezeichnet. Insoweit dieses Gewicht im betreffenden aus dem Speicher 4 ausgelesenen Prognosesignal verfügbar ist, wird im Gewichtespeicher 11 das freie (sonst nur das verfügbare) Gewicht der ursprünglichen Prognoseeinheit i zugerechnet und dem aktiven Prognosesignal n abgezogen.where G | the predicted conflict / bound weight, R, whose original ratio of the conflict record, and Rn is the ratio of the active forecast from the ratio queue. Insofar as this weight is available in the relevant prognosis signal read from the memory 4, in the weight memory 11 the free (otherwise only available) weight of the original prediction unit i is added and subtracted from the active prognosis signal n.
Ein neuer Prognosekonflikt-Datensatz wird gespeichert, indem bildlich die ursprüngliche Prognoseeinheit i die komplementäre Konfliktseite -φ einnimmt und die aktive Prognoseeinheit die ursprüngliche Konfliktseite mit dem derart bestimmten, nun freigesetzten Gewicht einnimmt. Im Fall der nur teilweisen Verfügbarkeit des erforderlichen Gewichts (Gn < Gfrei) wird das Konfliktgewicht G, im ursprünglichen Prognosekonflikt-Datensatz proportional (mit Gn / Gfrei) reduziert. Anschließend wird der nächste Ratio-Queue-Eintrag für das verbleibende Gewicht Gj abgearbeitet.A new forecast conflict record is stored by figuratively assuming the original prediction unit i the complementary conflict side -φ and the active prediction unit occupies the original conflict side with the weight thus determined, now released. In the case of only partial availability of the required weight (Gn <Gfree), the conflict weight G is reduced proportionally (with Gn / Gfree) in the original forecast conflict record. Subsequently, the next ratio queue entry for the remaining weight Gj is processed.
Was die Evaluierung betrifft, so werden zum Prognosezeitpunkt alle nicht bereits substituierten Prognosekonflikt-Datensätze evaluiert, vgl. die Evaluationseinheit 14 in Fig. 1, indem ein tatsächlicher Messwert mit Hilfe einer Messeinheit 16 ermittelt oder ein zeitlich nachgelagerter Prognosewert für die selbe Prognosegröße herangezogen wird, der für die Zeitdimension allenfalls korrigiert werden muss. Dies ist insbesondere von Vorteil, wenn aufgrund einer Entscheidung bzw. eines den Messwert beeinflussenden Steuerimpulses vor Erreichen des Prognosezeitpunkts der Messwert nicht mehr ermittelt werden kann oder ein Zerstörungstest vermieden werden soll, wobei in diesen letzten Fällen auch der letztgültige aggregierte Prognosewert (vor dem beeinflussenden Steuerimpuls) herangezogen werden kann.As far as the evaluation is concerned, all forecast conflict data sets that have not already been substituted are evaluated at the time of the forecast, cf. the evaluation unit 14 in FIG. 1 in that an actual measured value is determined with the aid of a measuring unit 16 or a time-dependent forecast value for the same prognosis variable is used, which at best must be corrected for the time dimension. This is particularly advantageous if, due to a decision or a control pulse influencing the measured value, the measured value can no longer be determined before the prediction time is reached or a destruction test is to be avoided, in which case the last valid aggregated prognosis value (before the influencing control pulse ) can be used.
Das im Prognosekonflikt gebundene Gesamtgewicht wird im Evaluierungsprozess von der Evaluations- bzw. Gewichtungseinheit 14 sodann vollständig jener Prognoseeinheit zugerechnet, s. Speichereinheit 11 in Fig. 1, der bei der Eliminierung die seitenrichtige Konfliktseite bezüglich des Messwertes zugeschrieben wurde. Sollte der Prognosewert gleich dem Messwert sein, so wird das Gewicht zu gleichen Teilen beiden Prognoseeinheiten zugerechnet.The total weight bound in the forecast conflict is then assigned in the evaluation process by the evaluation or weighting unit 14 completely to that forecast unit, s. Memory unit 11 in Fig. 1, which was attributed in the elimination of the page right conflict page with respect to the measured value. If the forecast value equals the measured value, the weight is equally divided between the two forecast units.
Weiters kann es vorteilhaft sein, nach Erreichen eines Prognosezeitpunktes oder überhaupt in regelmäßigen Intervallen jeder einzelnen Prognoseeinheit 2 zusätzlich ein bestimmtes Gewicht unabhängig vom Prognoseergebnis zuzurechnen, um den Verbleib aller Prognoseeinheiten, wenn auch mit minimalem Gewichtungspotential im Gesamtsystem, zu sichern. Eine mögliche Variante hierfür ist eine prozentuelle Aufstockung der n Prognoseeinheiten wie folgt: wobei G+ das Aufstockungsgewicht, a einen Aufstockungsfaktor (z.B. 0,01) und Gi das momentane Gesamtgewicht jeder der Prognoseeinheiten bezeichnet. Wenn a = 0 ist, können Prognoseeinheiten aus dem Gesamtsystem gänzlich eliminiert werden. Hierbei hat es sich als vorteilhaft erwiesen, a gleich einem durchschnittlichen Rauschfaktor zu setzen, um den Lerneffekt zu kalibrieren.Furthermore, it can be advantageous, after reaching a prognosis time or even at regular intervals, to additionally attribute a specific weight to each individual prognosis unit 2, independently of the prognosis result, in order to ensure the fate of all prognosis units, albeit with minimal weighting potential in the overall system. A possible variant for this is a percentage increase of the n forecast units as follows: where G + denotes the top-up weight, a a top-up factor (for example 0.01) and Gi the instantaneous total weight of each of the forecast units. If a = 0, prediction units from the overall system can be completely eliminated. It has proven to be advantageous to set a equal to an average noise factor in order to calibrate the learning effect.
Claims (18)
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AT0051306U AT9539U1 (en) | 2006-07-03 | 2006-07-03 | METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS |
| DE112007001505T DE112007001505A5 (en) | 2006-07-03 | 2007-06-27 | Method and system for automated determination of optimized forecasts |
| PCT/AT2007/000317 WO2008003105A1 (en) | 2006-07-03 | 2007-06-27 | Method and system for the automated determination of optimized forecasts |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AT0051306U AT9539U1 (en) | 2006-07-03 | 2006-07-03 | METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| AT9539U1 true AT9539U1 (en) | 2007-11-15 |
Family
ID=38456738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| AT0051306U AT9539U1 (en) | 2006-07-03 | 2006-07-03 | METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS |
Country Status (1)
| Country | Link |
|---|---|
| AT (1) | AT9539U1 (en) |
-
2006
- 2006-07-03 AT AT0051306U patent/AT9539U1/en not_active IP Right Cessation
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE112021001581T5 (en) | Failure early warning analysis method for regulation of operation for reservoir under the influence of climate change | |
| DE112021004174T5 (en) | FEDERATED LEARNING FOR ANOMALY DETECTION | |
| EP3662418A1 (en) | Method and device for machine learning in a computing unit | |
| WO2014131661A1 (en) | Method for designing a nonlinear controller for nonlinear processes | |
| DE112021003747T5 (en) | DETECTING ANOMALIES IN A NETWORK TOPOLOGY | |
| DE102011078240A1 (en) | Leak detection by means of stochastic mass balance | |
| EP2854045B1 (en) | Method and system for the evaluation of recorded measured values of a system | |
| DE102014223810A1 (en) | Method and assistance system for detecting a fault in a system | |
| EP3951529A1 (en) | Monitoring device and method for detection of abnormalities | |
| AT525571B1 (en) | Process for controlling a thermal energy supply network | |
| AT503846B1 (en) | Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast | |
| EP3579175A1 (en) | Method for sensitivity analysis of an optimised energy system | |
| EP3356834A1 (en) | Method for determining parameters of an electrochemical energy store in a computer-aided manner | |
| AT9539U1 (en) | METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS | |
| WO2008003105A1 (en) | Method and system for the automated determination of optimized forecasts | |
| EP3561743A1 (en) | Energy system and method for determining a design of an energy system | |
| DE102011087803B4 (en) | Method and apparatus for merging classified traffic situation information | |
| DE102020205687A1 (en) | Method and apparatus for predicting disease incidence development of an infectious disease | |
| EP4040053A1 (en) | Device and method for determining a thermal consumption value of a thermal consumer of a system | |
| DE102016209721A1 (en) | Model-based determination of a system state by means of a dynamic system | |
| DE102019215262A1 (en) | Method for the parameter identification of a black box model for one or more energy systems of an energy system | |
| WO2020025586A1 (en) | Method for monitoring compliance with feed-in conditions | |
| DE102004059684B3 (en) | Computer process and assembly to predict a future condition of a dynamic system e.g. telecommunications neural-network within defined limits | |
| EP3664243A1 (en) | Predictive planning in a micronetwork using high load time windows of a main power network | |
| DE102023130120A1 (en) | System and method for optimized control of a battery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM9K | Lapse due to non-payment of renewal fee |