Die Prognose des Energiebedarfs von individuellen Akteuren anhand von Zeitreihen kennzeichnet sich durch eine gewaltige Datenlage aufgrund der Vielzahl von Energiekonsumenten aus. Derzeitig wird jeder Gewerbekunde mit einem Verbrauch > 100 MWh pro Jahr einer registrierenden Leistungsmessung (RLM) unterzogen und für jeden Kunden wird eine individuelle Verbrauchsvorhersage erstellt. Obwohl die von EWE betrachtete Region nur einen kleinen Ausschnitt aus dem Deutschen Energiesektor darstellt, sind bereits ca. 10.000 Energieakteure dieser Kategorie und deren Verbrauch mehrfach pro Minute über mehrere Jahre zu analysieren. Um diese Komplexität mit mathematischen Modellen abbilden zu können, sind flexible datengetriebene Lösungen notwendig. Einerseits stellt diese umfangreiche Datenlage Herausforderungen an die Handhabung der Analyse, andererseits ermöglicht sie aber auch eine datengetriebene Modellierung komplexer Verhaltensmuster. Eine Kernproblematik liegt dann jedoch in der Übertragung dieses Modells auf die Individualprognose für jeden Akteur. Bedingt durch Regelungen zur Sicherung des Datenschutzes und Probleme bei der Datenübertragung sind die vorliegenden Daten in der Regel lückenhaft. Dadurch sind die starken saisonalen Schwankungen nicht in allen Zeitreihen sichtbar, diese müssen jedoch für eine belastbare Prognose unbedingt berücksichtigt werden.
Das Ziel dieses Projekts liegt in der Entwicklung von flexiblen Modellen basierend auf Neuronalen Netzen (NN), die in der Lage sind, die Gesamtkomplexität anhand von großen Datenmengen zu modellieren. Um eine robuste Prognose pro Akteur zu ermöglichen, ist eine Verbesserung der Datenqualität für jeden individuellen Konsumenten nötig. Als Kernpunkt des Projekts werden hierzu sogenannte Generative Adversariale Neuronale Netze (GAN) entwickelt, die eine Datenaugmentation ermöglichen. Für ein erfolgreiches Trainieren der GAN sind statistische Voranalysen der Daten durchzuführen, um ihre charakteristischen Muster zu ermitteln und diese in die GAN einzuspeisen. Basierend auf dem erweiterten Datenstamm ist es das Ziel, anschließend robuste Modelle mit kalibrierten Unsicherheiten trainieren zu können und deren Anwendbarkeit im industriellen Rahmen zu gewährleisten.

Teilprojekte

• 05M20AMA | Teilprojekt 1 | Fraunhofer ITWM Kaiserslautern
• 05M20LBA | Teilprojekt 2 | Universität Bremen
• 05M20UKA | Teilprojekt 3 | Technische Universität Kaiserslautern
• 05M20WFA | Teilprojekt 4 | Technische Hochschule Aschaffenburg