Szenariogenerierung zur Modellierung der stochastischen Ausspeiselasten in einem Gastransportnetz

Wir betrachten ein Gastransportnetz mit mehreren hundert Ausspeisepunkten, fur die historische Daten vorliegen. Als Grundlage fur die Berechnung der technischen Kapazitat werden mogliche Szenarien fur den Gasfluss an samtlichen Ausspeisepunkten und fur alle Temperaturbereiche benotigt. Um den Rechenaufwand vertretbar zu halten, ist es vorteilhaft, wenn die Anzahl der Szenarien nicht zu gros ist. Im Folgenden wird eine Methodik beschrieben, wie unter Verwendung der historischen Daten fur jeden betrachteten Temperaturbereich eine Wahrscheinlichkeitsverteilung geschatzt und unter Verwendung dieser Verteilung reprasentative Szenarien nebst der Wahrscheinlichkeiten ihres Auftretens generiert werden.

[1]  Alexander Martin,et al.  Optimierung Technischer Kapazitäten in Gasnetzen , 2011 .

[2]  Harald Niederreiter,et al.  Random number generation and Quasi-Monte Carlo methods , 1992, CBMS-NSF regional conference series in applied mathematics.

[3]  Werner Römisch,et al.  A note on scenario reduction for two-stage stochastic programs , 2007, Oper. Res. Lett..

[4]  H. Friedl,et al.  Nonlinear and Spline Regression Models for Forecasting Gas Flow on Exits of Gas Transmission Networks , 2011 .

[5]  H. Niederreiter,et al.  Monte Carlo and Quasi-Monte Carlo Methods in Scientific Computing , 1995 .

[6]  M. Hellwig,et al.  Entwicklung und Anwendung parametrisierter Standard-Lastprofile , 2003 .

[7]  Herwig Friedl,et al.  Modelling and Forecasting Gas Flow on Exits of Gas Transmission Networks , 2012 .

[8]  Paul H. C. Eilers,et al.  Flexible smoothing with B-splines and penalties , 1996 .

[9]  Fred J. Hickernell,et al.  Algorithm 823: Implementing scrambled digital sequences , 2003, TOMS.

[10]  G. Marsaglia.  Evaluating the Normal Distribution , 2004 .

[11]  Takuji Nishimura,et al.  Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator , 1998, TOMC.

[12]  Paul H. C. Eilers,et al.  Splines, knots, and penalties , 2010 .

[13]  I. van Mechelen,et al.  Simple and multiple P-splines regression with shape constraints. , 2006, The British journal of mathematical and statistical psychology.

[14]  F. Pillichshammer,et al.  Digital Nets and Sequences: Discrepancy Theory and Quasi-Monte Carlo Integration , 2010 .

[15]  Peter Deuflhard,et al.  Numerische Mathematik. I , 2002 .

[16]  Paul Glasserman,et al.  Monte Carlo Methods in Financial Engineering , 2003 .