Data4Grid-Challenge

KI-basierte Verbrauchsprognosen basierend auf Smart-Meter-Daten mit dem 1. Platz in der Data4Grid-Challenge der dena ausgezeichnet

Bisher wird das Verhalten von Verbrauchen durch Netzbetreiber und Energieversorger mithilfe von Standard-Lastprofilen modelliert und prognostiziert. Allerdings verändert sich das Verhalten u.a. durch E-Kfz, Wärmepumpen und vermehrtes Home-Office stark und kann nur unzureichend von den veralteten Standard-Lastprofilen abgebildet werden. Smart-Meter sind in der Lage, individuelle Verbräuche viertelstundenscharf zu messen. Für eine effiziente Netzbetriebsführung und eine möglichst exakte Energiemengenbeschaffung werden jedoch Prognosen des zukünftigen Verbrauchs für die nächsten Stunden benötigt – möglichst auch für nicht vermessene Verbraucher. Im Projekt wurden dafür Smart-Meter-Messungen klassifiziert und anschließend Prognosen für den Verbrauch mithilfe verschiedener Machine-Learning-Verfahren entwickelt.

Das Projekt ist interessant für:

Netzbetreiber
Stadtwerke/Versorger
Service-Dienstleister

Dominik Jost

Fraunhofer IEE

+49 561 7294 467

Ziele

Analyse der Smart-Meter-Messungen
Zusammenfassung einzelner Verbraucher mit ähnlichem Verhalten zu Clustern
Prognose der Verbräuche von Einzelverbrauchern und Clustern in den nächsten Stunden mithilfe von Machine-Learning-Methoden

Methoden

Clustering der Smart-Meter-Messungen mithilfe von k-nearest-neighbour
Untersuchung der Wichtigkeit verschiedener Einflussfaktoren
Verbrauchsprognose mit verschiedenen Machine-Learning-Verfahren
- Gradient-Boosted-Regression Trees (GBRT)
- Extrem Learning Machines (ELM)
- Multi-Task-Learning basierend auf ANN (MTL)

Detaillierte Beschreibung des Projektes

Im Projekt konnte gezeigt werden, dass Smart-Meter Messungen einen deutlichen Mehrwert für die Abbildung des tatsächlichen Verhaltens von Verbrauchern liefern. Dabei wurde ersichtlich, dass bestehende Standardlastprofile das Verbrauchsverhalten nur ungenügend abbilden. Durch fehlende Meta-Daten konnten die gebildeten Klassen jedoch nicht bestimmten Verbraucherklassen zugeordnet werden. Dazu sind zukünftig Informationen darüber notwendig, welche Typen von Verbrauchern hinter den einzelnen Smart-Meter-Messungen stecken.

Unter Einbeziehung verschiedener Einflussfaktoren, insbesondere von Zeit- und Kalenderinformationen, konnte das Verbrauchsverhalten von größeren Clustern mit hoher Genauigkeit für die nächsten Stunden prognostiziert werden. Auch konnte das durchschnittliche Verhalten von Einzelverbrauchern mit relativ hoher Güte vorhergesagt werden. Allerdings besteht bei Einzelverbrauchern das Problem, dass stochastisch auftretende Peaks nicht vorhergesagt werden können. Hier lernen die RMSE-optimierten Machine-Learning-Modelle tendenziell das durchschnittliche Verhalten zu einem bestimmten Zeitpunkt. Für die Energiemengenbeschaffung ist dieser Punkt nicht problematisch, da im Portfolio eines Versorgers ohnehin eine Aggregation vieler Verbraucher auftritt und somit Cluster-Prognosen benötigt werden bzw. sich die Peaks gegenseitig ausgleichen. Geht es allerdings im Netzbetrieb um die Vorhersage möglicherweise auftretender Grenzwertverletzungen werden andere Methoden benötigt. Dazu kommen beispielsweise Generative Adversarial Networks, optimiert nach Metriken, die die korrekte statistische Verteilung zu allen Zeitpunkten beurteilen, in Frage. Untersuchungen dazu finden beispielsweise im Projekt SyLas-KI statt, zu dessen Unterstützung der Challenge-Partner Stromnetz Hamburg gewonnen werden konnte.

Beschreibung des Projektablaufs

Bewerbung für Data4Grid-Challenge als Pitch – Auswahl als eines von drei Teams aus insgesamt 7 Teams (12/21)
Meilenstein – Analyse der Smart-Meter-Daten und Clustering (02/22)
Meilenstein – erste Prognoseergebnisse (03/22)
Meilenstein – Abgabe der finalen Prognosen und Abschlussbericht (04/22))
Abschlusspräsentation und Ehrung als Sieger der Data4Grid-Challenge im Future Energy Lab der dena in Berlin (05/22)

Projektpartner

dena
- Veranstalterin der Data4Grid-Challenge
- https://www.dena.de/future-energy-lab/
umlaut
- Organisation der Data4Grid-Challenge
- https://www.umlaut.com/
Stromnetz Hamburg
- Bereitstellung von Smart-Meter-Messungen und Beratung
- https://www.stromnetz-hamburg.de/
enercity netz
- Bereitstellung von Smart-Meter-Messungen und Beratung
- https://www.enercity-netz.de/