Forscher untersuchen im Projekt Gain komplexe Zusammenhänge von Stromverbrauch in Unternehmen. So wollen sie Energieflexibilitätspotenziale entdecken und nutzen. (Bild: Fraunhofer IPA/Rainer Bez)
Martin Reisinger, Gruppenleiter Hybride Systeme und Energiedatenanalyse am Fraunhofer IPA, geht davon aus, dass der Börsenstrompreis in Zukunft immer häufiger kurzfristig negativ ausfallen wird: „Wer von flexiblen Tarifen profitieren möchte, muss seinen Stromverbrauch zuverlässig prognostizieren und steuern können.“ So könnten nicht nur Lastspitzen etwas geglättet, sondern besonders energieintensive Teile der Produktion auf Zeiten mit niedrigeren Strompreisen verschoben werden. „Voraussetzung für diesen Schritt vom Last- zum Flexibilitätsmanagement ist allerdings eine intergierte Digitalisierungs- und Energiestrategie für die Produktion“, so Reisinger weiter.
Stromlieferanten haben heute schon ein Interesse an genaueren Prognosen, die auf den Messwerten aus den Energiemanagementsystemen eines Unternehmens basieren und für Energieversorger bisher nicht nutzbar sind. Die Lieferanten können damit ihr Kostenrisiko beim Ausgleichsenergiepreis (reBAP) verringern – und diesen Kostenvorteil teilweise an ihre Kunden weitergeben.
Daten erheben im 15-Sekunden-Takt
Welche komplexen Zusammenhänge die Auswertung von Energiedaten zutage fördert und welche Energieflexibilitätspotenziale sich daraus ableiten lassen, klären Reisinger und sein Team im Forschungsprojekt »Gewinnbringende Partizipation der mittelständischen Industrie am Energiemarkt der Zukunft« (Gain). Es ist vergangenen Dezember angelaufen. Die Daten erhalten die Forscher von ihrem Partnerunernehmen Enit Energy IT Systems, einem Anbieter für Energiemanagement aus Freiburg. Im 15- bis 30-Sekunden-Takt will das Start-Up in bis zu zehn Reallaboren bei Industriebetrieben Daten am Netzübergabepunkt erfassen, also an der Stelle, an der die Leitung des Energieversorgers auf die Hausleitung des Verbrauchers trifft. Zudem soll die Datenerfassung auch an Transformatoren und jeder einzelnen Maschine erfolgen. Außerdem wollen die Wissenschaftler auf die Produktionsplanungsdaten der Unternehmen zugreifen, die sich am Forschungsprojekt Gain beteiligen möchten. Denn wenn im Produktionsplanungs- und Steuerungssystem in dem genaue Produktionszahlen hinterlegt sind, lassen sich produktionsbezogene Einflussfaktoren in der Lastprognose mitberücksichtigen.
Künstliche Intelligenz soll Verbrauch vorhersagen
Diese Daten wird Reisingers Kollege Thilo Walser, ein Experte für maschinelle Lernverfahren, in ein sogenanntes Hybridmodell einfließen lassen. Ein Hybridmodell kombiniert verschiedene maschinelle Lernverfahren miteinander und erkennt so komplexe Zusammenhänge, die mit referenzbasierten und statistischen Verfahren nicht erkannt werden können. Geplant ist, dass die Machine-Learning-Modelle den Datenanalyseprozess automatisiert ausführen. Dieser umfasst die Datenintegration und -aufbereitung, die Auswahl von Einflussfaktoren, sowie das Monitoring der Prognosegüte und die Modellanpassung. Wie genau das funktionieren könnte, ist allerdings noch offen und soll im Forschungsprojekt Gain geklärt werden.
Je mehr Daten Walsers Hybridmodelle auswerten können, desto zuverlässiger werden die Stromverbrauchsprognosen, die sie liefern sollen. Die Projektpartner sind deshalb auf der Suche nach weiteren Unternehmen, die ihre Energieflexibilitätspotenziale ermitteln lassen wollen und bereit sind, ihre Energiedaten auswerten zu lassen. Die Projektpartner veranstalten die Projektpartner in unregelmäßigen Abständen Webinare für Energiemanager, um über das Forschungsprojekt Gain und die Kooperationsmöglichkeiten zu informieren. (jhn)
