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 an, wenn neue Daten eintreffen
15 Min. bis monatlich
Genauigkeit über alle Planungshorizonte hinweg verfolgt
Für Skalierung gebaut
bereit für mehrere Rohstoffe
Warum Prognosegenauigkeit auf 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 – Erzeuger, Händler, Verteilnetzbetreiber und Übertragungsnetzbetreiber – sind auf Prognosen des Stromverbrauchs, der Erzeugung aus erneuerbaren Energien, der Strompreise und der Netzauslastung angewiesen, um ihre Betriebsabläufe zu planen, Strom zu kaufen und zu verkaufen sowie Ungleichgewichte im Netz zu reduzieren.</p><p>Präzise Prognosen führen unmittelbar zu einer effizienteren Ressourcennutzung und geringeren Kosten für Ausgleichsenergie. Umgekehrt gilt jedoch ebenfalls: Weicht der tatsächliche Verbrauch eines Marktteilnehmers von seiner prognostizierten Portfolioposition ab, entstehen finanzielle Ausgleichskosten für die verursachte Bilanzabweichung. Prognosegenauigkeit ist in dieser Branche daher keine abstrakte Kennzahl aus der Data Science – sie wirkt sich unmittelbar auf das Unternehmensergebnis aus.</p>
Herausforderung
Marktteilnehmer im Energiesektor setzen heute in der Regel mehrere Prognosemodelle parallel ein, von denen jedes zukünftige Entwicklungen aus einer anderen Perspektive betrachtet. Einige Modelle erfassen historische Verbrauchsmuster besonders gut, andere reagieren sensibler auf kurzfristige Schwankungen oder externe Einflussfaktoren wie Wetterbedingungen. Diese Vielfalt an Ansätzen stellt grundsätzlich einen Vorteil dar – mehr Perspektiven bedeuten mehr Informationen.
In der Praxis entsteht dadurch jedoch ein anderes Problem: mehrere Modelle, mehrere Antworten, aber keine eindeutige Quelle der Wahrheit. 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 kombinieren und daraus eine einzige Prognose zu erzeugen, auf deren Grundlage ein Unternehmen verlässlich planen kann.
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, verfolgt die historische Genauigkeit jedes Modells und erkennt wiederkehrende Fehlermuster. Auf dieser Grundlage passt es die Gewichtung der einzelnen Modellprognosen 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 Daten, die einen erheblichen Einfluss auf das Stromverbrauchsverhalten haben – in das System ein. Das Ergebnis ist ein Modell, das mit einem Netzwerk verschiedener Signale arbeitet, diese kontinuierlich bewertet und zu einer einzigen Prognose zusammenführt.</p>
Die Lösung umfasst
Kontinuierliche Modellevaluierung
<p data-pasted="true">Vergleicht ständig die Vorhersagen jedes Prognosemodells mit den tatsächlichen Ergebnissen, um zu verfolgen, welches Modell gerade gut abschneidet.</p><p></p>
Dynamische, fehlerbewusste Gewichtung
<p data-pasted="true">Erkennt wiederkehrende Fehlermuster pro Modell und passt dessen Gewicht automatisch an, keine manuellen Regeln erforderlich.</p><p></p>
Integration externer Daten
<p data-pasted="true">Fügt meteorologische und weitere Hilfsdaten zu den Vorhersagen hinzu, da das Wetter den Stromverbrauch stark beeinflusst.</p><p></p>
Ein wirklich anpassungsfähiges Ensemble
<p data-pasted="true">Lernt kontinuierlich aus neuen Daten und verfeinert dauerhaft die Modellgewichte, anstatt nach dem Training festzustehen.</p><p></p>
Eine vielseitige Architektur
<p data-pasted="true">Generisch für Strom und Gas, Verbrauch und Produktion entwickelt. Derzeit getestet am Stromverbrauch.</p><p></p>
MAPE verstehen: So wird die Prognosegenauigkeit gemessen
Die Prognosegenauigkeit wird in diesem Projekt mithilfe des MAPE (Mean Absolute Percentage Error – mittlerer absoluter prozentualer Fehler) gemessen. Dabei handelt es sich um eine etablierte Kennzahl, die angibt, um wie viel Prozent eine Prognose vom tatsächlichen Wert abweicht. Je niedriger der MAPE-Wert, desto genauer 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 realen Kunden aus der Energiebranche anhand realer Verbrauchsdaten validiert wird. Bei Tests zur Prognose des Stromverbrauchs erzielt die von der KI-gestützten Aggregationsebene erzeugte konsolidierte Prognose nachweislich bessere <strong>MAPE</strong>-Werte als die einzelnen Prognosemodelle, auf denen sie basiert. Dies bestätigt, dass der Ensemble-Ansatz für den aktuell validierten Anwendungsfall wie vorgesehen funktioniert.</p><p>Obwohl sich das aktuelle Pilotprojekt auf die Prognose des Stromverbrauchs konzentriert, ist die zugrunde liegende Architektur bereits so konzipiert, 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 Strombeschaffung und einem optimierten Energiehandel, niedrigeren Kosten für Ausgleichsenergie sowie einer stabileren operativen Planung. In einem Umfeld, in dem jeder Prozentpunkt Prognosefehler unmittelbare finanzielle Auswirkungen hat, ist eine höhere Prognosegenauigkeit nicht nur ein Erfolg im Bereich Data Science, <strong>sondern ein messbarer wirtschaftlicher Mehrwert</strong>.</p>
<p data-pasted="true">Das Grundprinzip ist einfach – auch wenn das dahinterliegende 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 data-section-id="10w33et" data-start="2047" data-end="2087" data-pasted="true">Geringere Kosten für Ausgleichsenergie</li><li data-section-id="14bl80" data-start="2088" data-end="2116">Reduziertes Prognoserisiko</li><li data-section-id="vne10t" data-start="2117" data-end="2168">Bessere Entscheidungen bei der Energiebeschaffung</li><li data-section-id="16zzxbm" data-start="2169" data-end="2201">Effizientere operative Planung</li><li data-section-id="n0gx40" data-start="2202" data-end="2247">Höheres Vertrauen in die Prognoseergebnisse</li></ul>
Warum dieser Ansatz für Marktteilnehmer im Energiesektor relevant ist
Vermindertes Ungleichgewichtsrisiko
<p data-pasted="true">Genauere Prognosen unterstützen eine bessere Planung und helfen, die finanziellen Auswirkungen von Verbrauchsabweichungen zu minimieren.</p><p></p>
Eine Prognose, mehrere Perspektiven
<p data-pasted="true">Die Lösung kombiniert und validiert mehrere Prognosemodelle, um eine einzige, genauere Vorhersage zu erstellen.</p><p></p>
Kontinuierliches Lernen aus realen Ergebnissen
<p data-pasted="true">Indem Vorhersagen mit dem tatsächlichen Verbrauch verglichen werden, passt sich das Modell an veränderte Bedingungen an und verbessert sich im Laufe der Zeit.</p><p></p>
Für Skalierung entworfen
<p data-pasted="true">Prognosen werden in einem Format bereitgestellt, das für die Integration in Berichte, Analysen und operative Abläufe geeignet ist.</p><p></p>
Nächste Schritte für Ihr Unternehmen
Sprechen Sie mit uns über Ihren konkreten Anwendungsfall 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.