Herausforderung
Die Prognose des täglichen Stromverbrauchs ist eine zentrale Herausforderung für viele Energieunternehmen bei der Aufgabe, die am Markt einzukaufende Strommenge zu steuern und entsprechend bereit zu stellen. Abweichende Prognosen bedeuten hier, dass der Strom entweder zu höheren Preisen nachgekauft oder unter Marktpreis wieder eingespeist werden muss. Load Forecasting wird in großen Teilen über Blackbox-Produkte abgebildet, was für Unternehmen häufig ungünstige Nebeneffekte wie Vendor Lock-ins und Intransparenz mit sich bringt. Unser Kunde, ein internationales Energieunternehmen, stand vor der Herausforderung, die bestehende Blackbox-Lösung mit Open Source Tools zu benchmarken.
Ansatz
Load Forecasting wird häufig mit einfachen neuronalen Netzen durchgeführt. Diese eignen sich gut, um die periodische Komponente des täglichen Stromverbrauchs vorherzusagen, wobei weitere Einflussfaktoren wie Ferien, Feiertage und Wetterparameter berücksichtigt werden können. Im Hinblick auf diese Vorteile entwickelten wir ein Deep Learning Modell, das gegenüber einfachen neuronalen Netzen aus mehreren Hidden Layern besteht, um zusätzlich hochdimensionale Wechselwirkungen zwischen den Input-Faktoren zu modellieren. Zudem wurden die einzelnen Modelle wiederholt auf verschiedenen Partitionen der Daten trainiert, um eine Ensemble-Prognose zu erstellen.
Ergebnis
Das entwickelte Modell zeigte gegenüber der bestehenden Blackbox-Lösung in 50 Prozent der Vertriebsgebiete in den Regelzonen eine signifikante Verbesserung der Prognosegüte. Zudem wurde die Varianz der Prognosen durch die Anwendung des Ensemble-Baggings deutlich gesenkt.