Maschinelles Lernverfahren
Bild 2. Darstellung von Accuracy und normiertem RMSE der finalen Reserve-Prognose in Abhängigkeit vom Sicherheitsabschlag im Juni. Es reicht ein Sicherheitsabschlag von etwa drei Prozent, um eine Accuracy nahe 100 % zu erreichen.
Ein anderes Prognosemodell nutzte ein Maschinelles Lernverfahren für die Prognose des Ladezustands und der Leistung. Hierzu wurde im Zeitraum der analysierten Woche für jede Viertelstunde des Tages die Zu- oder Abnahme von Ladezustand und Leistung bestimmt. Unter der Annahme, dass die gesamte prognostizierte Leistung für die Zeiten einer ausreichenden prognostizierten Dauer angeboten werden, kommt dieses Modell nur auf eine Accuracy von rund 50 %, da es sich um eine Erwartungswertprognose handelt. Hier kommt schließlich der Sicherheitsabschlag ins Spiel: Schon ein geringer Wert verbessert die Accuracy erheblich. Ein Sicherheitsabschlag von rund 3 % reicht in den Testwochen von beiden Monaten aus, um eine Accuracy nahe 100 % zu erreichen (Bild 2).
Fazit
Die Bereitstellung von Regelreserve aus Kleinstanlagen kann künftig dazu beitragen, dass auf dem Regelreservemarkt jederzeit ausreichend Leistung verfügbar ist. Die notwendigen Verfahren zur Ermittlung des kurzfristigen Angebotspotenzials und der Verfügbarkeit sind bereits vorhanden und können bei ausreichend gutem Training auf plausibilisierten Daten zuverlässige Prognosen zur Verfügung stellen. Eine wirtschaftliche Umsetzung in großem Maßstab scheint vor dem Hintergrund der zunehmenden Digitalisierung der Energiewende nur eine Frage der Zeit.
Autoren
Kevin Winter, Prognosen für Energiesysteme, Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE, Kassel
Dr. Rafael Fritz, Produktmanager Solarprognose und -Hochrechnung, Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE, Kassel
Alexander Dreher, Produktmanager Energiemanagement-Systeme, Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE, Kassel
Svenja Heising, Systemführung – Handel, TransnetBW GmbH, Stuttgart
Kay Wiedemann, Systemführung – Handel, TransnetBW GmbH, Stuttgart