Predictive Analytics: Grundlagen, Projektbeispiele und L ... / 4.3 Energy Load Forecast

Ausgangslage und Zielsetzung

Im Rahmen des Planungsprojekts mit einem Energiedienstleister sollte das Potenzial von Predictive Analytics für die Energieversorgerbranche eruiert werden. Dazu sollte beispielhaft auf Grundlage historischer Nachfragemuster und ausgewählter externer Faktoren eine verbesserte Vorhersage des Energieverbrauchs erreicht und somit eine verbesserte Ressourcenallokation ermöglicht werden.

Vorgehen

Zunächst wurde ein Basismodell entwickelt, das aus 2 Komponenten besteht: dem varianzerklärenden Modell und dem Trendmodell. Dazu lagen diverse externe Faktoren in unterschiedlichen Granularitäten (viertelstündlich/stündlich bis jährlich) vor, von denen angenommen wurde, dass sie die Lastverläufe in der kurzen und mittleren Frist beeinflussen. Um eine Fokussierung auf die hochfrequenten stündlichen bzw. viertelstündlichen Lastgänge zu ermöglichen, wurde jeder Lastgang zunächst vom langfristigen Trend bereinigt. Dafür wurden die Daten monatlich aggregiert und geglättet. Zusätzlich wurde die Adjustierung auf die Witterungsverhältnisse durchgeführt. Der originale Lastgang wurde um diesen resultierenden langfristigen Trend bereinigt und dann im Variationsmodell verwendet. In diesem wurden spezifische externe Faktoren berücksichtigt (Tageszeiten, Wochentags-, Monats-, Jahreszeitfaktoren, Schulferien und Feiertage, Temperatur, Bedeckungsgrad und Windgeschwindigkeit). In der Summe wurden in der Modellierung über 300 Faktoren verwendet, welche die kurzfristigen Schwankungen erklären sollten. Durch den Einsatz der Algorithmen konnte eruiert werden, welche Faktoren die größte Bedeutung für die Prognose aufwiesen. Diese Faktoren wurden verwendet, um Forecasts unter verschiedenen Szenarien (bspw. ein möglicher Wetterverlauf) zu erstellen und deren Effekte abzuschätzen. Im Rahmen der Modellierung wurden Algorithmen aus den Klassen XGBoost, Random Forest und Multiple Lineare Regression verwendet. Das genaueste Modell wurde dabei auf einem historischen Testset ermittelt.

Abb. 8: Projektergebnis

Ergebnisse

Als Ergebnis wurde ein interaktives Frontend (App) entwickelt, um die Vorhersagen der Lastverläufe zu visualisieren und den Usern aus der Planung zu ermöglichen, die Funktionalitäten und Fähigkeiten der eingesetzten Algorithmen und Tools zu testen. Nach einem Testzeitraum wurde die Applikation produktiv ausgerollt und unterstützt seitdem den Planungsprozess des Energiedienstleisters. Die algorithmischen Prognosen ersetzen dabei nicht die menschliche Planung, sondern werden als Entscheidungsgrundlage verwendet, die von Experten aus dem Planungsbereich validiert und gegebenenfalls angepasst wird. Durch den Einsatz von Predicitve Analytics konnte der Prozess beschleunigt und objektiviert werden. Zusätzlich ist die Prognosegenauigkeit sprunghaft angestiegen.