Betreiber*innen von Photovoltaik-Anlagen (PV-Anlagen) können den erzeugten Strom entweder selbst nutzen oder gegen Vergütung ins Stromnetz einspeisen. Für neuere Anlagen ist die Einspeisevergütung oftmals weniger wert, als die eigenen Stromkosten abzudecken.
Insbesondere für Unternehmen, die PV-Anlagen betreiben und hohe Spitzenverbräuche haben, lohnt sich deshalb eine Prognose, wie sich Stromerzeugung und -verbrauch zu einem gegebenen Zeitpunkt zueinander verhalten werden. Eine solche Prognose bietet eine Grundlage, um den Stromverbrauch im Unternehmen oder einem Haushalt besser zu steuern und Kosten zu sparen. Für eine automatisierte Steuerung, die auch die wirtschaftliche Nutzung des Stroms in Betracht ziehen soll, sind Prognosen unabdingbar.
In einem Digitalisierungsprojekt des Mittelstand-Digital Zentrums Hannover hat das IPH – Institut für Integrierte Produktion Hannover gGmbH gemeinsam mit den Firmen Gundlack Automation GmbH und Strunck Weis Technik GmbH & Co. KG ein geeignetes Prognosemodell entwickelt.
Die eigene Energieerzeugung durch Prognosen im Griff haben
Betreiber*innen von Photovoltaikanlagen decken ihren Energiebedarf zum Teil oder sogar vollständig durch selbst produzierten Strom vom Dach. Was passiert aber, wenn es ein Überangebot bei vollem Sonnenschein beziehungsweise ein zu erwartendes Defizit bei Regen geben wird? Für diese Fälle müssen Anlagenbetreiber*innen vorsorgen, wenn sie vermeiden wollen, den in der Regel teureren Netzstrom beziehen zu müssen.
Sinnvoll könnte beispielsweise sein, den selbst erzeugten Strom bei Sonnenschein und niedrigen Marktpreisen lieber zu speichern, statt selbst zu verwenden. Somit kann der Grundumsatz länger mit günstigem Strom abgesichert werden und auch Lastspitzen werden abgefedert.
Bei abgeriegelter Einspeiseleistung geht Strom verloren, wenn dieser nicht direkt verbraucht wird. Wird eine Stromerzeugung oberhalb der vom Netzbetreiber angegebenen maximalen Einspeisung erwartet, kann diese mit der Prognose vorausschauend in eine vorher mit anderen Verbräuchen entleerte Batterie geladen werden. Die für jede Verbrauchsstelle erstellten Prognose-Modelle verfeinern somit das Verhalten der Anlage, um die Wirtschaftlichkeit zu optimieren.
Neue Stromtarife: die volle Stärke der eigenen Anlage ausspielen
Eine neue gesetzliche Vorgabe ab 2025 wird zeitvariable und dynamische Tarife für Verbraucher*innen ermöglichen. Stündlich abgerechnete Marktpreise für Strom führen dann zu Einsparungen, wenn Strom in günstigen Phasen aus dem Netz eingespeichert oder zur Bedarfsdeckung herangezogen wird.
Betreiber*innen von PV-Anlagen haben dann noch mehr Möglichkeiten, um Kosten zu sparen. Damit sie nicht immer selbst die Strompreise im Auge behalten müssen, kann eine Anlagensteuerung Prognosen verwenden, um Verbräuche zu optimieren. So kann die Betankung eines E-Autos mit günstigem Strom dann eingeleitet werden, wenn der Netzstrompreis unter ein eingestelltes Niveau fällt, während zu Hochpreiszeiten die Anlage den kompletten Strombedarf deckt oder einspeist, falls ein dynamischer Vergütungstarif gewählt wurde. Dazu ist eine Berücksichtigung des Nutzerverhaltens unabdingbar.
Wie funktioniert die Energie-Prognose?
Die Prognose von Stromverbrauch und Stromerzeugung basiert auf einem vortrainierten KI-Algorithmus. Mithilfe von 5 Schritten lässt sich aus dem Wissen über den Stromverbrauch und die Stromerzeugung aus der Vergangenheit eine Prognose für die Zukunft erstellen:
- Daten aufnehmen
Aus Wetterdaten von lokalen Wetterstationen und den aufgezeichneten Stromverbrauchs- und Stromerzeugungsdaten lässt sich ein umfangreicher Datensatz erstellen. - Vorverarbeitung
Die Vorverarbeitung der aufgenommenen Daten stellt sicher, dass diese konsistent sind und keine Redundanzen aufweisen. Der Datensatz wird in Trainings- und Validierungsdaten aufgeteilt, um im Anschluss das trainierte Modell auf seine Gültigkeit zu überprüfen. - Analyse/Modellaufbau
Durch eine Analyse des Datensatzes lassen sich geeignete Label definieren, auf deren Basis die Vorhersage der Erzeugungs- und Verbrauchsdaten erfolgt. Geeignete Label sind unter anderem die Sonnenscheindauer, Wolkenbewegungen sowie Informationen über den aktuellen Monat. - Modelltraining
Unter der Verwendung von geeigneten Maschine-Learning-Algorithmen entsteht ein KI-Modell, welches auf Basis des aufgenommen Datensatzes trainiert wird und anhand von Labels eine Vorhersage für die Zukunft treffen kann. Durch die Wettervorhersage von beispielsweise Sonnenscheindauer und Wolkenbewegung kann dann auf die prognostizierte Stromerzeugungsmenge sowie auf den Zeitpunkt der Stromerzeugung geschlossen werden. - Evaluierung
Die Evaluierung des trainierten Modells erfolgt durch Anwenden des Validierungsdatensatzes und dem anschließenden Vergleich von prognostizierten Daten und Validierungsdaten. Die Abweichung zwischen beiden Werten gibt Aufschluss über die Güte der getätigten Vorhersage.
Ziel ist es, ein trainiertes Modell zu erstellen, welches stundengenaue Vorhersagen über Stromverbrauch und Stromerzeugung liefert. In Abhängigkeit von der zur Verfügung stehenden Wetterprognose können so Vorhersagen für mehrere Tage im Voraus getätigt werden. Einspeisung und Einspeicherung von produziertem Strom werden so frühzeitig geplant und führen zu einer deutlich wirtschaftlicheren Nutzung der eigenen PV-Anlage.
Energie-Prognose mit KI: Wir unterstützen Sie gern!
Sie möchten mehr über die KI-gestützte Prognose von Stromverbrauch und -erzeugung erfahren? Vereinbaren Sie einen unverbindlichen und kostenfreien Termin mit unseren KI-Trainer*innen und melden Sie sich hierfür bei Paulina Merkel unter merkel@mitunsdigital.de oder 0511 279 76 331.
Zudem finde sie hier eine Einführung in das Themenfeld des maschinellen Lernens.
In unserem Lern-Nugget zu Zeitreihendaten können Sie sich die Grundlagen zum Umgang mit zeitlich abhängigen Datensätzen anschauen.
