Im Rahmen von WindNode leisteten Energiequelle und Solandeo Pionierarbeit für die Erstellung von Prognosesystemen. Im Bild: Der energieautarke Ort Feldheim (Bild: Energiequelle)
Ziel ist, durch vorausschauende, flexible Planung Einspeisung und Stromlast besser aufeinander abzustimmen und so Netzengpässe auf allen Spannungsebenen möglichst schon im Vorfeld zu vermeiden. Mit ihrer KI-basierten Plattform unterstützt Solandeo Verteilnetzbetreiber dabei, präzise Prognosen für die neuen Redispatch-Prozesse zu treffen.
Die von dem Berliner Unternehmen Solandeo GmbH entwickelten Prognosen basieren auf Künstlicher Intelligenz (KI), sind kurzfristig einsetzbar und technisch ausgereift. Mit ihr können die Verteilnetzbetreiber das neue Verfahren in dem kurzen Zeitrahmen bis Oktober 2021 wie gefordert umsetzen. "Belastbare Prognosemodelle sind für diese Prozesse absolut zwingend", sagt Friedrich Rojahn, CEO von Solandeo. "Sie müssen in der Lage sein, sekundenschnell große Mengen von Netzdaten zu verarbeiten und zu interpretieren, die wiederum aus einer Vielzahl hochfrequenter Messdaten aus heterogenen Quellen bestehen."
Intelligente Algorithmen
Das Besondere an der Prognoselösung von Solandeo ist, dass die Eingangsdaten nicht in einem einzelnen Modell verarbeitet werden, sondern in mehreren Schichten in unterschiedliche methodische Verfahren einfließen: "Die einzelnen Parameter, die beispielsweise für die Berechnung der Netzauslastung, der Ausfallarbeit oder des Redispatch-Potenzials relevant sind, werden in dieser Struktur immer wieder überprüft, neu bewertet und verbessert", erklärt Kolja Bailly, der das Analytics-Team bei Solandeo leitet. "Wir nutzen dafür selbstlernende Algorithmen, die die eingehenden Daten permanent analysieren, in Beziehung zueinander setzen, nach Mustern suchen, mit historischen Daten abgleichen und auf diese Weise die Ergebnisse optimieren", erläutert der langjährige Data Scientist. Aufgrund ihrer hohen Flexibilität können solche datengetriebenen Modelle vor allem im kurzfristigen Bereich präzisere Aussagen treffen als rein physikalische Wettermodelle. "Dadurch, dass wir dafür KI einsetzen, ist unser System in hohem Maße individualisierbar. Auch zusätzliche Informationen – wie Prognosen Dritter oder weitere Daten – lassen sich ganz flexibel einbinden und dadurch die bestmöglichen Ergebnisse erzielen."
Automatisierte Prognosemodelle
"Das Herz unseres Prognosesystems ist das Modul für die skalierbare vollautomatische Erstellung, Evaluierung und Inbetriebnahme von Prognosemodellen", erklärt Solandeo-Chef Rojahn. Über mehrere Jahre hat das Berliner Unternehmen diese Technologie entwickelt, mit dem Ergebnis, dass "diese Komponente neben namhaften Softwaregrößen wie Google TensorFlow, Keras und Microsoft Azure den höchsten Stand der Technik zur automatisierten Entwicklung von Machine-Learning-Modellen darstellt", wie Bailly ausführt.
Auf dieser Basis erstellt das Solandeo-System spezifische Einzelprognosen für verschiedene Anwendungsgebiete. Dazu gehören beispielsweise Modelle für die interne Verwendung (Ersatzwertverfahren, Datenqualität usw.) oder eben Prognoseverfahren für angrenzende Systeme wie Netzmodelle und Netzmanagement-Systeme. Um eine Prognosereihe zu erstellen, werden mehrere unabhängige Prognosemodelle trainiert, ausgeführt und verschnitten. "Die einzelnen Subprognosen unterscheiden sich dabei hinsichtlich ihrer Methodik sowie der verwendeten Datengrundlage", erläutert Bailly.
Dieses hochkomplexe Verfahren stellt sicher, dass auch bei unvollständigen Eingangsdaten jederzeit eine valide Prognose erstellt wird. "Unsere Erfahrung mit Tausenden von Anlagen zeigt, dass sich Datenlücken nie ganz vermeiden lassen", berichtet Rojahn. Damit diese Daten also überhaupt nutzbar sind, müssen diese Lücken geschlossen werden – eine Aufgabe, die das Modul Datenaufbereitung automatisch übernimmt. Die Komponente prüft zunächst, ob die Übertragungsformate aller eingehenden Daten formal korrekt sind. Anschließend validiert und plausibilisiert sie die Werte anhand von Stammdaten, Prognosen oder gleichartigen Daten aus der lokalen Umgebung. Auf der grafischen Benutzeroberfläche des Prognosesystems werden festgelegte Metriken zur Datenqualität für alle eingepflegten Datenreihen jederzeit in Echtzeit dargestellt und ausgewertet. Gibt es Abweichungen, erhält der Nutzer oder die Nutzerin automatisch eine Benachrichtigung.