Gaussian‑Interpolation löst Sparsitätsproblem bei Stromverbrauchsvorhersage

Eine neue Studie aus dem arXiv‑Repository zeigt, wie man mit einem stark lückenhaften Stromverbrauchsdataset präzise Vorhersagen treffen kann. Durch den Einsatz von Gaussian‑Interpolation lässt sich die 62 %‑Sparse‑Stichprobe, die stündliche Lastdaten eines Kraftwerks enthält, erfolgreich nutzen.

Das Problem der Datenlücken – fehlende oder Nullwerte – ist in realen Messreihen häufig. Traditionelle Verfahren wie lineare oder polynomielle Interpolation, Splines oder gleitende Durchschnitte funktionieren gut bei strikt stationären Daten, jedoch nicht immer bei breiterweise stationären Messreihen. Die Autoren demonstrieren, dass die Gaussian‑Interpolation genau dort ansetzt, wo andere Methoden versagen.

Zunächst wurden die statistischen Eigenschaften der Daten analysiert. Anschließend wurden mehrere klassische und neuronale Modelle – darunter Regressoren, Entscheidungsbäume und Deep‑Learning‑Netze – auf das interpolierte Dataset trainiert und miteinander verglichen.

Die Ergebnisse zeigen eindeutig: Die Gaussian‑Interpolation liefert die zuverlässigsten Vorhersagen. Unter den getesteten Modellen übertrifft ein Long‑Short‑Term‑Memory‑Netzwerk (LSTM) sämtliche klassischen Ansätze und erzielt die höchste Genauigkeit.

Diese Erkenntnisse bieten einen praktischen Ansatz für Energieversorger, die mit unvollständigen Messdaten arbeiten. Durch die Kombination von Gaussian‑Interpolation und LSTM‑Modellen lassen sich verlässliche Lastprognosen erstellen, was die Planung und Stabilität des Stromnetzes verbessert.