Local rebalancing
© Siemens AG
Intelligent, automated management and control mechanisms as well as reliable load and generation forecasts are essential for distribution grids in highly decentralized energy infrastructures. Siemens provides scalable systems to automate, display, and control all elements in grids that are increasingly challenged by the medium- and low- voltage infeed of power from intermittent renewable sources. Innovative solutions such as EnergyIP DEMS for the management of demand response and virtual power plants as well as trendsetting energy storage solutions help balance generation and load to maintain and enhance the reliability and availability of distribution grids.

KI erhöht Genauigkeit von Prognosemodellen

Damit ein Stromnetz stabil ist, müssen die eingespeiste und die entnommene Energiemenge übereinstimmen. Um das zu planen, braucht es verlässliche Prognosen. Im Projekt AGENS entwickeln wir mithilfe von Künstlicher Intelligenz (KI) Algorithmen, die solche Vorhersagen optimieren.

AGENS: Neuronale Netze sagen Energieverbrauch voraus

BMBF-Projekt AGENS – Analytisch-generative Netzwerke zur Systemidentifikation

Deutschland wird im Jahr 2030 vermutlich etwa zehn Prozent mehr Strom verbrauchen als bisher angenommen – verkündete das Bundeswirtschaftsministerium im Juli 2021. Energieprognosen vermitteln eine Vorstellung über die zukünftige Entwicklung der Energieversorgung, damit besser geplant werden kann. Die Prognosen entstehen mit Hilfe von mathematischen Modellen, die komplexe Zusammenhänge möglichst realitätsnah abbilden.

Im Projekt AGENS, das vom Bundesministerium für Bildung und Forschung (BMBF) gefördert wird, entwickeln wir gemeinsam mit Partnern aus Industrie und Forschung smarte Prognosemodelle. Dessen Basis: Mit neusten mathematischen Methoden, basierend auf Neuronalen Netzen (NN), sind die Algorithmen in der Lage, die Gesamtkomplexität anhand großer Datenmengen vorherzusehen.

Speziell auf dem Strommarkt gibt es bei der korrekten Prognose des Energiebedarfs entscheidende Unsicherheitsfaktoren, denn sie ist abhängig von der Einspeisung aus saisonal stark schwankenden erneuerbaren Energiequellen – Wind- und Sonnenenergie sind abhängig vom Wetter. Zusammen mit klassischen thermischen Kraftwerken liefern sie in Deutschland den Strom.

Um sicherzustellen, dass der Energiebedarf gedeckt werden kann, müssen Energieunternehmen (Bilanzkreisverantwortliche, kurz BKV) eine Prognose über den Energiebedarf und die Energieerzeugung am kommenden Tag in ihrem Verantwortungsbereich abgeben. Diese wird viertelstundengenau an den zugehörigen Netzbetreibenden übermittelt, um die Netzstabilität zu gewährleisten. Das heißt: Umso besser die Modelle und Prognosen, desto besser können die Unternehmen planen.

Anwendungsfall: Energieunternehmen EWE

Ein solches Modell zur Prognose des Energiebedarfs von individuellen Unternehmen entwickeln wir auf Basis von zeitrekurrenten Neuronalen Netzen (RNNs). Diese liefern vielfältige Möglichkeiten zur Modellierung komplexer dynamischer Verhaltensmuster, basierend auf Zeitreihen. Die große Anzahl an Energiekonsumenten liefert eine riesige Datenmenge, optimal um Künstliche Intelligenz zu trainieren. Derzeitig werden alle Gewerbekunden mit einem Verbrauch > 100 MWh pro Jahr einer registrierenden Leistungsmessung (RLM) unterzogen und für alle wird jeweils eine individuelle Verbrauchsvorhersage erstellt – auch beim Projektpartner EWE. Die EWE AG ist ein Versorgungsunternehmen im Bereich Strom, Erdgas, Telekommunikation, Informationstechnologie mit Hauptsitz in Oldenburg.  

Als Benchmark für die im Projekt entwickelten Verfahren dient ein Standardprognoseverfahren, das bei vielen Energieversorgenden und auch bei EWE bereits für die Day-Ahead-Prognosen im Einsatz ist. Bei diesem sogenannten Vergleichstagsverfahren werten die Unternehmen für den zu prognostizierenden Tag den Verbrauch an vergleichbaren Tagen in einem bestimmten Zeitfenster aus (in der Regel drei bis vier Wochen).

Um die Komplexität mit mathematischen Modellen abbilden zu können, sind flexible datengetriebene Lösungen notwendig. Bei EWE wird derzeit ein Moving-Average-Modell (MA) zur Vorhersage der Ver-brauchswerte eingesetzt. Das setzen wir auf den Prüfstand und optimieren.

Unsere Expertise: Neuronale Netze und Zeitreihen im Fokus

Unser Team der »Finanzmathematik« bringt nicht nur Kenntnisse aus der energiewirtschaftlichen Praxis mit, sondern auch zur Modellierung von Strompreisen auf Basis von globalen Nachfragemodellen und des Risikomanagements am Strommarkt. Besonders unsere Expertise zur Zeitreihenanalyse kommt in dem Projekt zum Einsatz. Das Team übernimmt eine führende Rolle bei der statistischen Analyse der Stromnachfragedaten.

Konkret entwickeln wir Algorithmen und ein Referenzmodell zur Energieprognose. Basis der Ansätze sind künstliche Neuronale Netze, die das menschliche Gehirn nachbilden. Sie werden mit einer großen Datenmenge trainiert und lernen so zuverlässiger vorherzusagen. In Zusammenarbeit mit EWE und Siemens evaluieren wir das Verfahren mit neuen Daten, die im Verlauf des Projektes von EWE gesammelt wurden, mit den festgelegten Kriterien. Methoden der Zeitreihenanalyse betrachten zudem Veränderungen über die Zeit. Sie können zum Beispiel Saisonalitäten erkennen.

Kosten und Risiko für Energieunternehmen sparen

Das Projekt schafft durch die Synergien der Forschung mit den Anwendungsunternehmen EWE und Siemens einen Transfer von neuartigen mathematischen Methoden in die energiewirtschaftliche Industrie. Hierbei spielt die Mathematik als Querschnittswissenschaft eine tragende Rolle.

Die so entstehenden Modelle dienen den Unternehmen anschließend direkt als Entscheidungsunterstützung in der Praxis. Denn die eigene Prognosequalität zu optimieren, heißt für sie, die zu zahlenden Ausgleichsbeträge zu reduzieren und vor allem das damit verbundene Extremrisiko Value at Risk (VaR) zu mindern. Eine realistische Verbesserung der bisherigen Vorhersagemodelle um circa 40 Prozent würde bereits eine Verminderung des VaR um einen hohen siebenstelligen Euro-Betrag jährlich bedeuten – alleine für die betrachtete Testregion.

Tatsächlicher Energieverbrauch eines EWE-Kundenunternehmens gemessen in MWh (in Rot) im Vergleich mit den beiden Prognosemodellen. Blau sind die Rechnungen unseres im Projekt entwickelten Referenzmodells und Schwarz sind die Ergebnisse des Prognose-Modells, welches bei EWE momentan im Einsatz ist.
© Fraunhofer ITWM
Tatsächlicher Energieverbrauch eines EWE-Kundenunternehmens gemessen in MWh (in Rot) im Vergleich mit den beiden Prognosemodellen. Blau sind die Rechnungen unseres im Projekt entwickelten Referenzmodells und Schwarz sind die Ergebnisse des Prognose-Modells, welches bei EWE momentan im Einsatz ist.

Unsere Verbundpartner in Forschung und Industrie

  • Technische Universität Kaiserslautern, AG Finanzmathematik, Fachbereich Mathematik (Verbundkoordinator Prof. Dr. Ralf Korn)
  • Universität Bremen, Zentrum für Technomathematik, Fachbereich Mathematik/Informatik
  • Technische Hochschule Aschaffenburg, Fachbereich Mathematik/Informatik/Technomathematik
  • Siemens AG, Digital Industries, Solution Operations; Bremen
  • EWE AG, DataLab; Oldenburg

 

Projektlaufzeit

01.04.2020 bis 31.03.2023