Energie, Versorgung & Entsorgung

Last-, PV- und Windprognosen: Bilanzkreise mit ML genauer bewirtschaften

Prognoseabweichungen im Bilanzkreis werden über Ausgleichsenergie abgerechnet und können schnell teuer werden. Behandelt werden Verbrauchs- und Einspeiseprognosen mit klassischen Verfahren, Machine Learning und Deep Learning, einschließlich Wetterunsicherheit und probabilistischer Ausgabe. An echten Zeitreihen erstellen Sie eine Lastprognose und beurteilen die Güte einer EE-Prognose. Ziel ist, Verfahren begründet auszuwählen und Prognosen so in Portfolio- und Fahrplanmanagement einzubinden, dass Handel und Netz ihnen vertrauen.

Für wen

Verantwortliche für Prognose, Portfolio und Netz bei Energieversorgern und Netzbetreibern, die Verbrauch und Erzeugung genauer vorhersagen wollen.

KI-Tagesseminar · 1 Tag

Verbrauch und Einspeisung genauer vorhersagen und Prognosefehler im Griff behalten

Das nehmen Sie mit

  • Der Zusammenhang zwischen Prognosegüte und Ausgleichskosten im Bilanzkreis wird nachvollziehbar.
  • Klassische Zeitreihenverfahren, ML und Deep Learning lassen sich für die eigene Fragestellung gegeneinander abwägen.
  • PV- und Windprognosen werden als Quantile ausgegeben und mit Gütemaßen bewertet statt als einzelne Zahl.
  • Für Integration, Monitoring und Nachtraining im Fahrplanmanagement liegt ein Umsetzungsfahrplan vor.

Ablauf

  1. Teil 1

    Modul 1 – Bilanzkreis: Wie Prognoseabweichungen auf die Kosten durchschlagen

    • Bilanzkreisabweichungen als Kostentreiber: wie Prognosefehler in Ausgleichsenergie münden
    • Was vorhergesagt wird: Last, EE-Einspeisung und die daraus abgeleiteten Fahrpläne
    • Eingangsdaten für das Modell: Wetter, historische Messreihen, Feiertags- und Ferienkalender
    • Live-Demo: Tagesprognose für ein Versorgungsgebiet, kompakt in einer Grafik
    • Selbsteinschätzung: Wie genau Ihre bisherigen Vorhersagen tatsächlich treffen
  2. Teil 2

    Modul 2 – Verfahren: Zeitreihenprognose von klassisch bis neuronal

    • Klassische Verfahren, ML und Deep Learning im direkten Vergleich für Lastgänge
    • Wetterdaten einbinden und die Unsicherheit der Wettervorhersage im Modell mitführen
    • Übung: Eine Lastprognose an echten Zeitreihen erstellen
    • Kriterien für die Verfahrenswahl: Datenlage, Prognosehorizont, Pflegeaufwand
  3. Teil 3

    Modul 3 – Erneuerbare: PV- und Windprognosen mit ehrlicher Unsicherheit

    • PV- und Windprognosen und ihre besonderen Fehlerquellen
    • Probabilistische Prognosen: Quantile statt eines einzigen Erwartungswerts
    • Prognosegüte messen und den Umgang mit Fehlern organisieren
    • Übung: Die Güte einer EE-Prognose anhand von Kennzahlen bewerten
    • Bandbreiten an Handel und Netzführung kommunizieren, statt Scheinpräzision vorzutäuschen
  4. Teil 4

    Modul 4 – Betrieb: Das Modell im Tagesgeschäft verankern

    • Integration in Portfolio- und Fahrplanmanagement
    • Monitoring und Nachtraining, etwa wenn im Netzgebiet neue PV-Anlagen hinzukommen
    • Fallstudie: Aufbau und Betrieb des Prognosesystems eines Stadtwerks
    • Vertrauen in die Prognose bei Disposition und Handel aufbauen
    • Nächste Schritte bis zu verlässlicheren Prognosen im eigenen Versorgungsgebiet festlegen

VoraussetzungenSie bringen ein Grundverständnis der Energiewirtschaft mit und arbeiten sicher mit Excel. Python-Kenntnisse erleichtern die Übungen.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen