Prognose-Benchmark senkt Energiekosten

Die Thematik ist allgemein bekannt. Bei der Strom­versorgung müssen sich die Summen der erzeugten und der bezogenen Energie zu jedem Zeitpunkt ausgleichen [1], um die Netzfrequenz stabil zu halten und damit Versorgungs­engpässe zu vermeiden. Die Speicher­kapazität in Batterien ist begrenzt, ebenso wie die Möglichkeit, Strom über Trassen in andere Gebiete zu leiten. Somit ist die für einen Bilanzraum zu beschaffende oder abzugebende Strommenge möglichst genau zu planen, was neben der Prognose der Erzeugung eine Kurzfrist-Lastprognose erfordert. Anwender der Lastprognose sind Verteil­netz­betreiber für die Planung von Regelreserven oder Energie­versorger für das Fahrplan­management.[1] Mit der Zunahme der erneuerbaren Energien schwanken die Strompreise stärker. Dies schafft Anreize für Konsumenten, durch Energie­flexibilität in Verbindung mit dynamischen Stromtarifen Strom zu möglichst günstigen oder gar negativen Preisen zu beziehen.[2] Somit steigt auch die Relevanz der Lastprognose im Energiemarkt der Zukunft.

Bei der Prognose­erstellung besteht ein hohes finanzielles Risiko, da Abweichungen zu Strafzahlungen, z. B. in Form von Ausgleichs­energie oder zum Ein- oder Verkauf der falsch geplanten Strommengen zu teils hohen Preisen im Intraday-Handel führen. Aufgrund der vielen Anwender und hohen Anforderungen an Prognose­genauigkeit besteht eine grosse Auswahl an Anbietern für Lastprognose-Software.[3] Welches Software-Tool sich eignet, hängt von den Anforderungen an die Lastprognose ab. Die Prognosegüte ist nicht nur vom Algorithmus abhängig, sondern auch von der Datenlage [4] und schliesslich vom jeweiligen Lastgang [5]. Daher ist die eigene Prognose­genauigkeit stets zu prüfen und mit anderen Tools zu vergleichen. Der Benchmark beschreibt eine systematische Vorgehens­weise zur Einordnung der Genauigkeit von Prognosen gegenüber dem Stand der Technik. Mit ihm lassen sich Verbes­serungs­potenziale ermitteln.

Prognose­methoden und Tools

Die Lastgang­prognose für grössere Kunden oder Kunden­gruppen mit einer registrierenden Leistungs­messung, die typischerweise ab einem Jahresverbrauch von 100 MWh installiert ist [6], erfolgt mit historischen Messdaten. Dafür werden referenzbasierte Methoden eingesetzt wie Fort­schreibungs­verfahren, der gleitende Durchschnitt oder das Vergleichstage­verfahren. Bei Letzterem werden Lastprofile für Tag­typen gebildet, die zwischen Werktagen und dem Wochenende sowie den Jahreszeiten differenzieren. Dieses Verfahren eignet sich aufgrund des zyklischen Verhaltens von Lastgängen mit niedrigerer Last während der Nacht und am Wochenende und mit saisonalen Unter­schieden, die durch menschliche Aktivitäten und klimatische Einflüsse bedingt sind.[7, 8]

Statistische Prognose­modelle unterscheiden sich von den referenz­basierten Verfahren durch Modell­parameter, die durch die Modell­kalibrierung bestimmt werden. Einfache statistische Methoden sind die univarianten Zeitreihen­modelle, die zur Prognose lediglich Lastwerte der Vergangenheit verwenden, oder Regressions­modelle mit externen Einflüssen, z. B. die Temperatur­regression.[8] Methoden des maschinellen Lernens werden zunehmend verwendet, weil sie komplexe Zusammen­hänge in hoch­dimensio­nalen Eingangsdaten erkennen können. Die Digitalisierung und die steigende Rechen­leistung tragen zur erhöhten Beliebtheit von künstlichen Neuronalen Netzen und anderen Modellen des maschinellen Lernens bei.[8, 9]

Zur Vermarktung von Last­prognosen werden Prognose­modelle in eine Software­umgebung implementiert. Die Umsetzung der Methoden erfordert Erfahrung und Branchen­wissen. Deshalb hängt die Prognosegüte von der Anbieterwahl ab.[3] Bei der Bereitstellung von Prognosen wird zwischen Dienstleistern und System­anbietern unterschieden: Erstere stellen die Pro­gnosedaten, die mit ausgewählten Modellen berechnet werden, bereit, ohne das Prognosetool zur Verfügung zu stellen. Letztere hingegen stellen für grössere Kunden oder Dienstleister Prognosetools bereit, die über eine grafische Benutzeroberfläche und über diverse Prognose­modelle verfügen. Die meisten Anbieter verwenden künstliche Neuronale Netze, einzelne Anbieter berück­sichtigen auch klassische Prognose­modelle.[3]

Vorgehensweise des Benchmarks

Beim Benchmark von Prognose­modellen sind zunächst die Anforderungen an die Prognose zu definieren. Die wichtigsten Festlegungen sind der Prognose­zeitraum und die Häufigkeit der Aktualisierung der Prognose. Zudem ist bei der Kalibrierung des Prognosemodells zu berücksichtigen, mit welcher zeitlichen Auflösung Leistungs­messwerte vorliegen und wie häufig neue Messwerte eintreffen. Letztlich ist zu prüfen, ob die Prognose mit dem Top-down-Ansatz, also als Summenprognose für eine Gruppe von Markt­allokationen erstellt werden soll, oder Einzel­prognosen aufsummiert werden (Bottom-up-Ansatz).[3]

Im nächsten Schritt werden die Datenquellen identifiziert. Bestehen Daten von mehreren Lastgängen, ist zunächst eine Gruppe repräsen­tativer Lastgänge auszuwählen, für die der Benchmark exemplarisch durchgeführt wird. Neben Lastgangdaten ­können Kontextdaten, wie Produktions­daten im Fall von Industrie­unternehmen, zu genaueren Prognosen führen.[4, 5] Es gibt zudem einige Anbieter, die sowohl historische Wetterdaten als auch Wetterprognosen bereitstellen, mit Unterschieden bezüglich der Anzahl der Wetterstationen, zeitlichen Auflösung, Prognose­horizonte und der Messgrössen.[3] Alle Daten sind anschliessend zu importieren. Die Daten­vorverar­beitung umfasst das Füllen von Datenlücken, die aus Ausfällen des Messsystems resultieren.

Die Datenanalyse dient der Bestimmung von Einflussfaktoren auf den betrachteten Lastgang. Dies kann qualitativ erfolgen, beispielsweise durch die Visualisierung des Lastgangs nach Tagtypen oder quantitativ durch die Berechnung statistischer Kennwerte, wie z. B. den Korrelations­koeffizienten oder die Auto­korrelations­funktion.[4] Nach diesem Schritt sind die Modell­eingangs­daten bekannt. Für die Modellkalibrierung zu vergleichender Prognosemodelle werden historische Daten benötigt. Der Modellvergleich erfolgt in einem Testzeitraum durch die Simulation von Prognosen, wofür ein Teil der historischen Daten vorbehalten wird. Aus dem Modellvergleich ergibt sich der modell­abhängige Prognose­fehler (Bild).

Zur Bewertung der Prognose­genauigkeit wird der Betrag der Energie­abweichung ermittelt, unter der Annahme, dass sich positive und negative Abweichungen gleichermassen negativ auswirken. Da die absolute Abweichung oft wenig greifbar ist, da sie von der Länge des Testzeitraums abhängt, wird häufig der mittlere Fehler oder dessen Relativwert betrachtet, um den prozentualen Fehler bezogen auf die mittlere Leistung zu berechnen.[9]

Neben der Prognose­genauigkeit sind weitere Kriterien zu betrachten, um zu entscheiden, ob ein Prognose­modell geeignet ist und welche Daten berücksichtigt werden. Komplexere Prognose­modelle und mehr Eingangs­daten bieten häufig Potenzial, die Genauigkeit gegenüber einfachen Verfahren zu steigern, erhöhen jedoch die aufzuwendende Rechenleistung und den Bedarf an Speicherplatz [8, 9], und dadurch die IT-Kosten. Ebenso ist der Berechnungsweg und somit die Ergebnis­genauigkeit in komplexeren Modellen, wie beispiels­weise künstlichen Neuronalen Netzen, schwierig nachzu­vollziehen, vor allem, wenn diese aus zahlreichen vernetzten Berechnungs­einheiten bestehen. Somit ist festzulegen, ob die Erklärbarkeit der Modelle ein entschei­dendes Bewertungs­kriterium ist, und ob dieses durch das betrachtete Modell gegeben ist. Schliesslich bietet eine Kostenabschätzung, die Investitionen, variable Kosten und Erlöspotenziale je nach Prognose­genauigkeit betrachtet, eine Entscheidungsgrundlage für die Wahl eines Prognosemodells.

Fazit

Lastprognosen gewinnen im Energiemarkt an Bedeutung. Ihre Genauigkeit ist entscheidend, um Fehl­planungen zu vermeiden. Die erzielbare Genauigkeit hängt von der Datenlage und dem Prognosemodell ab. Durch die Verwendung zusätzlicher Eingangs­daten können weitere Einfluss­faktoren erfasst und damit die Genauigkeit erhöht werden. Der Prognose-Benchmark ermöglicht es EVUs, die Prognose­modelle, die der Dienstleister verwendet, die im beschafften Tool umgesetzt oder die in einer eigenen Software­umgebung implementiert sind, mit dem Stand der Technik zu vergleichen.

Der Prognose-Benchmark kann gemäss den spezifischen Anforderungen konfiguriert werden, um mit verschiedenen Datenquellen oder Modellen erstellte Prognosen einheitlich zu vergleichen. Dafür ist ein repräsen­tativer Testzeit­raum zu wählen, in dem Prognosen im Anschluss der Modell­kalibrierung simuliert werden. Zur Quantifizierung der Genauigkeit dienen gängige Bewertungs­kenn­zahlen. Somit lassen sich Aussagen treffen, wie akkurat Prognose­modelle für den betrachteten Anwen­dungsfall sind. Die Prognose­genauigkeit und weitere Kriterien bilden die Entscheidungs­grundlage für EVUs zur Wahl eines Prognose­modells bzw. eines Dienstleisters oder eines System­anbieters.

Referenzen

[1] Michael Fiedeldey, Analyse und Prognose elektrischer Lastgangzeitreihen, Cuvillier Verlag, Göttingen, 2010.

[2] Alexander Sauer, Eberhard Abele, Hans Ulrich Buhl, Energieflexibilität in der deutschen Industrie, Ergebnisse aus dem Kopernikus-Projekt Synergie, 2020.

[3] Patrick Kronig et al., Schlussbericht ELBE – Validierung und Verbesserung von Lastprognosen, BFE, 2009.

[4] Feras Alasali et al., «Day-ahead industrial load fore­casting for electric RTG cranes», Journal of Modern Power Systems and Clean Energy, Feb. 2018.

[5] Bastian Dietrich et al., «Machine learning based very short-term load forecasting of machine tools», Applied Energy, Okt. 2020.

[6] Wolfgang Schellong, Analyse und Optimierung von Energieverbundsystemen, Springer, 2016.

[7] Gesellschaft für Energie und Klimaschutz Schleswig-Holstein GmbH, Optimierung der Fahrplanprognose für die Beschaffung elektrischer Energie durch Einsatz messtechnisch ermittelter Kundenlastgänge anstelle von Standardlastprofilen.

[8] Thilo Walser et al., «Readiness of Short-term Load Forecasting Methods for their Deployment on Company Level», Proc. of Grid Service Market, Okt. 2020, S. 89–103.

[9] Frederik Scheidt et al., «Data analytics in the electricity sector – A quantitative and qualitative literature review», Energy and AI, Aug. 2020.