Die (Weiter-)Entwicklung verschiedener digitaler Technologien, wie Künstliche Intelligenz (KI), IoT oder Cloud Computing eröffnet neue Möglichkeiten.

Bild 2. KI-Umsetzung am Beispiel von Netzauslastungsprognosen (Bild: Umlaut Energy)

Schritte zum Einsatz von KI-basierten Prognosen 

Das erste Beispiel ist der Einsatz von Künstlicher Intelligenz für die Prognose der Netzauslastung (Bild 2). Dabei werden sowohl historische Daten als auch Live-Daten aus relevanten Netzelementen benötigt. In einem ersten Schritt werden im Rahmen einer explorativen Datenanalyse vorhandene Datenquellen aufbereitet. Beispielsweise dienen historische Daten zur Netzauslastung sowie Strommarkt­daten dazu, erste einfache Modelle aufzubauen. Dafür kann z. B. das Verfahren der exponentiellen Glättung angewandt werden, um anhand der historischen Zeitreihen den Verbrauch zu prognostizieren. Solche initialen explorativen Datenanalysen sind enorm wichtig, um ein erstes Verständnis für die vorhandenen Daten zu entwickeln und diese im zweiten Schritt in ein komplexeres Modell einbinden zu können. Je höher die Qualität der vorhandenen Daten ist, umso schneller und einfacher ist ­dieser Schritt und umso höher ist die Prognosegüte der entwickelten ­Modelle. Im zweiten Schritt können diese initialen Modelle um weitere Datenquellen, z. B. durch Wetter­daten oder ­Smart-­Meter-Daten, angereichert werden. Im Rahmen des sog. Feature Engineering werden die Ein­gangs­parameter für den prädiktiven ­Algorithmus (Multi-Regression, Random Forest, Deep Learning) festgelegt und so variiert, dass eine möglichst hohe Prognosegüte erzielt wird. Bei der Implementierung im Livebetrieb werden dann Echtzeitdaten für die Prognoseerzeugung verwendet.

Ein weiteres Beispiel bietet die Auslastungsprognose von öffentlichen Ladepunkten für Elektroautos. Auch hier werden historische Daten genutzt, um ein Modell mit Hilfe von Zeitreihen zu trainieren. Dabei geht es darum, das aggregierte Nutzungsverhalten in Abhängigkeit verschiedener Einflussfaktoren abzubilden. Beispielsweise kann die Tageszeit die Auslastung von Ladepunkten beeinflussen, es können aber auch saisonale Unterschiede vorliegen. Außerdem können weitere Daten wie die geografische Lage und Daten zum aktuellen ­Verkehrsaufkommen berücksichtigt werden. Der Betreiber der Lade­station kann so für die Kunden die Routenplanung optimieren und die Prognosedaten können für die Auslastungsprognose des Stromnetzes genutzt werden. Das Vorgehen für die Entwicklung eines Prognosemodells folgt dabei einem ähn­lichen Ansatz wie im Bereich der Netzauslastungsprognosen. Das kann auf zahlreiche andere Anwendungsgebiete übertragen werden. Es ändern sich jedoch die konkreten Gegebenheiten bezüglich Datenverfügbarkeit, Anforderungen an die Ergebnisse des Modells sowie eventuelle Architekturen, in die das Modell eingebettet werden soll (Schnittstellen zu anderen Systemen, Applikationen für Mitarbeiter oder Kunden).

In welchen Bereichen Netzbetreiber mit Investitionen starten sollten, hängt hochgradig von der in­dividuellen Ausgangslage ab. Vor allem verfügbare personelle Ressourcen und internes Know-how sowie unternehmensinterne Herausforderungen spielen bei der Auswahl von An­wendungsfällen eine wichtige Rolle. Damit sie diese in Einklang mit den erforderlichen technischen Bedingungen wie Datenerfassung (Sensorik, Schnittstellen) und der Daten­bereitstellung (Daten- und IT-­Architektur) bringen können, sollten Unternehmen zusätzlich eine langfristige Strategie für den Einsatz von KI aufbauen.

antonia.heinemann@umlaut.com
detert.bracht@umlaut.com 
www.umlaut.com

Antonia Heinemann, Senior Manager, und Detert Bracht, Senior Data Scientist, Umlaut Energy GmbH, Aachen
2 / 2

Ähnliche Beiträge