Probabilistic forecasting using Hidden Markov models: A use-case for household electrical power load forecasting.

Obwohl Hidden Markov Modelle (HMM) in zahlreichen Anwendungsfeldern erfolgreich eingesetzt werden, ist ihre Nutzung für Prognosezwecke bislang vergleichsweise wenig untersucht worden. Aufgrund ihres stochastischen Aufbaus stellen HMM jedoch einen effizienten, mathematisch konsistenten und interpretierbaren Ansatz zur Erstellung probabilistischer Vorhersagen dar – einem Forschungsgebiet mit wachsender Relevanz, das derzeit überwiegend von Machine-Learning Methoden und Black-Box-Modellen dominiert wird.Diese Arbeit untersucht die Anwendung eines HMM-basierten Prognoseverfahrens zur kurzfristigen Vorhersage der Verteilung von elektrischer Haushaltslasten. Sie erweitert die bestehende Literatur, indem ein allgemeiner theoretischer Rahmen für HMM-basierende Prognosen entwickelt und daraus ein einfacher, zugleich leistungsfähiger Prognosealgorithmus abgeleitet wird. Die Implementierung des Use-Case umfasst eine für HMM neuartige Diskretisierungmethode, eine umfassende Hyperparameteroptimierung sowie eine detaillierte Modellanalyse, um Stärken und Grenzen des vorgeschlagenen Ansatzes systematisch zu bewerten. Erste empirische Ergebnisse deuten darauf hin, dass die HMM-basierte Prognosemethode etablierte Verfahren übertrifft und die relative Prognosegenauigkeit um bis zu 7% steigern kann. Obwohl der Schwerpunkt dieser Arbeit auf der Theorie, dem Aufbau und der Analyse des einfachen HMM-Prognosemodells liegt, sind die Resultate vielversprechend um HMM-basierende Vorhersagemethode weiter zu erforschen und sie als potenziell wettbewerbsfähige Alternative zu bestehenden kurzfristigen probabilistischen Prognosemethoden zu berücksichtigen.