Mehrere Modelle
Wie wir eine intelligente Prognoseebene für die Energiebranche entwickelt haben
<p data-pasted="true">Wie ACTUM Digital eine intelligente Aggregationsebene entwickelt, die aus den Stärken und Schwächen der bestehenden Prognosemodelle eines Energieversorgers lernt, um eine einzige, präzisere Prognose des Stromverbrauchs zu erstellen.</p>
Auf einen Blick
Kontinuierliches Lernen
Das System passt sich kontinuierlich an neue Daten an
Von 15 Minuten bis zu mehreren Monaten
Die Prognosegenauigkeit wird über sämtliche Planungshorizonte hinweg gemessen
Für Skalierung entwickelt
Bereit für den Einsatz mit mehreren Energieträgern
Warum Prognosegenauigkeit auf den Energiemärkten entscheidend ist
<p data-pasted="true">Im Gegensatz zu den meisten anderen Gütern muss elektrische Energie nahezu gleichzeitig erzeugt und verbraucht werden. Akteure im Stromnetz – Produzenten, Energiehändler, Verteilnetzbetreiber und Übertragungsnetzbetreiber – sind auf Prognosen des Stromverbrauchs, der erneuerbaren Stromerzeugung, der Strompreise sowie der Netzauslastung angewiesen, um ihren Betrieb zu planen, Strom zu handeln und Netzungleichgewichte zu minimieren.</p><p>Präzise Prognosen führen direkt zu einer effizienteren Nutzung von Ressourcen und zu geringeren Kosten für Ausgleichsenergie. Umgekehrt gilt jedoch ebenfalls – und mit deutlich gravierenderen Folgen: Weicht der tatsächliche Stromverbrauch eines Marktteilnehmers von seiner prognostizierten Portfolioposition ab, entstehen finanzielle Kosten für die verursachte Bilanzabweichung. Mit anderen Worten: Prognosegenauigkeit ist in dieser Branche keine abstrakte Kennzahl aus der Data Science. Sie wirkt sich unmittelbar auf das finanzielle Ergebnis eines Unternehmens aus.</p>
Herausforderung
Unternehmen auf dem Energiemarkt setzen heute in der Regel mehrere Prognosemodelle parallel ein, die zukünftige Entwicklungen jeweils aus unterschiedlichen Blickwinkeln betrachten. Einige Modelle eignen sich besonders gut zur Abbildung historischer Verbrauchsmuster, andere reagieren sensibler auf kurzfristige Schwankungen oder externe Einflussfaktoren wie Wetterbedingungen. Diese Vielfalt an Ansätzen ist grundsätzlich ein Vorteil – mehr Perspektiven bedeuten mehr Informationen.
In der Praxis entsteht dadurch jedoch ein anderes Problem: mehrere Modelle, mehrere Antworten, aber keine eindeutige Grundlage für Entscheidungen. Die einzelnen Modelle liefern häufig unterschiedliche Ergebnisse, und ihre Genauigkeit verändert sich im Laufe der Zeit abhängig von den jeweiligen Rahmenbedingungen. Unsere Analyse der bestehenden Modelle des Kunden zeigte, dass kein einzelnes Modell in allen Situationen dauerhaft die höchste Genauigkeit erreichte. Jedes Modell hatte Phasen mit hoher und niedriger Leistungsfähigkeit, wobei sich seine Zuverlässigkeit je nach Saison, Wetterlage und weiteren externen Einflussfaktoren veränderte.
Die eigentliche Herausforderung bestand daher nicht darin, ein besseres Modell auszuwählen. Entscheidend war vielmehr, mehrere Signale, deren Aussagekraft sich je nach Kontext dynamisch verändert, sinnvoll zu interpretieren und daraus eine einzige Prognose zu erstellen, auf deren Grundlage Unternehmen fundierte Entscheidungen treffen können.
Warum es kostspielig war, diese Lücke ungelöst zu lassen
Bereits geringe Abweichungen zwischen geplantem und tatsächlichem Stromverbrauch können zu finanziellen Sanktionen, zusätzlichem Bedarf an Ausgleichsenergie und insgesamt höheren Betriebskosten führen. Genau hier eröffnete sich die Möglichkeit für einen neuen Ansatz – nicht einen, der bestehende Prognosemodelle durch ein einziges neues „bestes“ Modell ersetzt, sondern einen, der die bereits vorhandenen Modelle intelligent miteinander kombiniert.
Lösung
<p data-pasted="true">Wir entwickeln und validieren eine <strong>KI-gestützte Prognoseebene</strong>, die auf den bestehenden Prognosemodellen eines Energieversorgers aufsetzt, anstatt diese zu ersetzen. Das System vergleicht kontinuierlich die Prognosen der einzelnen Modelle mit den tatsächlichen Verbrauchswerten, analysiert die historische Genauigkeit jedes Modells und erkennt wiederkehrende Fehlermuster. Auf dieser Grundlage passt es die Gewichtung der einzelnen Prognosen dynamisch an und erstellt eine konsolidierte Prognose, die zu jedem Zeitpunkt die bestmögliche Annäherung an die Realität darstellt.</p><p>Entscheidend ist, dass sich das Modell nicht ausschliesslich auf die Eingangsprognosen stützt. Zusätzlich fliessen externe Daten – insbesondere meteorologische Informationen, die einen wesentlichen Einfluss auf das Stromverbrauchsverhalten haben – in das System ein. Das Ergebnis ist ein Modell, das nicht nur eine einzelne Perspektive berücksichtigt, sondern ein Netzwerk verschiedener Signale kontinuierlich auswertet und zu einer einzigen Prognose zusammenführt.</p>
Die Lösung umfasst
Kontinuierliche Modellbewertung
<p data-pasted="true">Das System vergleicht fortlaufend die Prognosen jedes einzelnen Modells mit den tatsächlichen Ergebnissen und überwacht kontinuierlich, welches Modell aktuell die höchste Prognosequalität liefert.</p>
Dynamische, fehlerbasierte Gewichtung
<p data-pasted="true">Wiederkehrende Fehlermuster der einzelnen Modelle werden automatisch erkannt. Auf dieser Basis passt das System die Gewichtung der Modelle dynamisch an – ganz ohne manuell definierte Regeln.</p>
Integration externer Daten
<p data-pasted="true">Neben den Prognosen selbst werden auch meteorologische sowie weitere ergänzende Daten berücksichtigt, da Wetterbedingungen einen wesentlichen Einfluss auf den Stromverbrauch haben.</p>
Ein wirklich adaptiver Ensemble-Ansatz
<p data-pasted="true">Das Modell lernt kontinuierlich aus neuen Daten und optimiert die Gewichtung der einzelnen Modelle fortlaufend, anstatt nach dem Training statisch zu bleiben.</p>
Eine universell einsetzbare Architektur
<p data-pasted="true">Die Lösung wurde so konzipiert, dass sie sowohl für Strom als auch für Gas sowie für Verbrauchs- und Erzeugungsprognosen eingesetzt werden kann. Derzeit wird sie für die Prognose des Stromverbrauchs validiert.</p>
MAPE verstehen: Wie die Prognosegenauigkeit gemessen wird
Die Prognosegenauigkeit wird in diesem Projekt anhand des MAPE (Mean Absolute Percentage Error) gemessen – einer etablierten Kennzahl, die angibt, um wie viel Prozent eine Prognose vom tatsächlichen Wert abweicht. Je niedriger der MAPE-Wert, desto präziser ist die Prognose.
Der MAPE wird über mehrere Zeithorizonte hinweg berechnet – für einzelne 15-Minuten-Intervalle ebenso wie für ganze Tage, Wochen und Monate. Die Betrachtung aller dieser Planungshorizonte ist entscheidend, da ein Modell auf kurzfristiger, granularer Ebene deutlich anders performen kann als bei täglichen oder wöchentlichen Aggregationen. Marktteilnehmer im Energiesektor müssen ihre Planung und ihren Energiehandel jedoch über sämtliche dieser Zeithorizonte hinweg zuverlässig steuern.
Ergebnisse
<p data-pasted="true">Diese Prognoseebene ist ein internes Produkt, das sich derzeit in der Entwicklung befindet und im Rahmen eines Pilotprojekts mit einem Kunden aus der Energiebranche anhand realer Verbrauchsdaten validiert wird. Bei den Tests zur Prognose des Stromverbrauchs erzielt die von der KI-gestützten Aggregationsebene erzeugte konsolidierte Prognose nachweislich bessere <strong>MAPE-Werte</strong> als die einzelnen Prognosemodelle, auf denen sie basiert. Dies bestätigt, dass der Ensemble-Ansatz für den derzeit validierten Anwendungsfall die erwarteten Ergebnisse liefert.</p><p>Obwohl sich das aktuelle Pilotprojekt auf die Prognose des Stromverbrauchs konzentriert, wurde die zugrunde liegende Architektur bereits so entwickelt, dass sie mehrere Energieträger sowie unterschiedliche Prognosearten – Verbrauch und Erzeugung – unterstützt.</p><p>Aus geschäftlicher Sicht führt eine präzisere konsolidierte Prognose zu einem geringeren Bilanzkreisrisiko, einer effizienteren Energiebeschaffung und einem optimierten Energiehandel, niedrigeren Kosten für Ausgleichsenergie sowie einer stabileren operativen Planung. In einem Umfeld, in dem jeder Prozentpunkt Prognosefehler direkte finanzielle Auswirkungen hat, ist eine höhere Prognosegenauigkeit nicht nur ein Erfolg im Bereich Data Science, <strong>sondern ein messbarer geschäftlicher Mehrwert</strong>.</p>
<p data-pasted="true">Das Grundprinzip ist einfach – auch wenn das dahinterstehende System hochkomplex ist: Anstatt nach dem einen perfekten Modell zu suchen, <strong>lernt das System zu verstehen</strong>, wann und warum einzelne Modelle bessere oder schlechtere Ergebnisse liefern. Dieses Wissen nutzt es, um eine insgesamt präzisere Prognose zu erstellen. Das Ergebnis ist ein adaptiver Mechanismus, der mit jeder neuen Beobachtung dazulernt und die Unsicherheit bei operativen Entscheidungen kontinuierlich reduziert.</p><h3>Business Impact</h3><ul><li>Geringere Kosten für Ausgleichsenergie</li><li>Reduziertes Prognoserisiko</li><li>Bessere Entscheidungen bei der Energiebeschaffung</li><li>Effizientere operative Planung</li><li>Höheres Vertrauen in die Prognoseergebnisse</li></ul>
Warum dieser Ansatz für Marktteilnehmer im Energiesektor relevant ist
Geringeres Bilanzkreisrisiko
<p data-pasted="true">Präzisere Prognosen ermöglichen eine zuverlässigere Planung und tragen dazu bei, die finanziellen Auswirkungen von Verbrauchsabweichungen zu minimieren.</p>
Eine Prognose – mehrere Perspektiven
<p data-pasted="true">Die Lösung kombiniert und validiert mehrere Prognosemodelle, um eine einzige, präzisere Prognose bereitzustellen.</p>
Kontinuierliches Lernen auf Basis realer Ergebnisse
<p data-start="2768" data-end="2968" class="PDq2pG_selectionAnchorContainer" data-pasted="true">Durch den kontinuierlichen Vergleich von Prognosen mit den tatsächlichen Verbrauchswerten passt sich das Modell laufend an veränderte Rahmenbedingungen an und verbessert seine Genauigkeit fortlaufend.</p>
Für Skalierung entwickelt
<p data-pasted="true">Die Prognosen werden in einem Format bereitgestellt, das sich nahtlos in Reporting-, Analyse- und operative Geschäftsprozesse integrieren lässt.</p><p><br></p>
Nächste Schritte für Ihr Unternehmen
Kontaktieren Sie uns, um Ihren konkreten Anwendungsfall mit uns zu besprechen, oder entdecken Sie unsere AI & Data Services, um mehr darüber zu erfahren, wie wir Prognosen, Optimierung und datenbasierte Entscheidungsunterstützung in der Energiebranche, bei Versorgungsunternehmen und in anderen datenintensiven Industrien umsetzen. Werfen Sie ausserdem einen Blick auf unsere weiteren Case Studies und entdecken Sie, wie wir Künstliche Intelligenz erfolgreich für unsere Kunden einsetzen.