Selbstlernende Prognoseverfahren im Feldtest

Verlässliche Prognosen versprechen sich die Partner des Forschungsprojekts „KonSEnz“ (kontinuierlich selbstlernende Vorhersagemethoden und Services in smarten Energiemärkten und -netzen). Beteiligt sind neben dem Fraunhofer IEE die Universität Kassel sowie der Windenergieanlagenhersteller Enercon aus dem niedersächsischen Aurich. Darüber hinaus gehören die Übertragungsnetzbetreiber Amprion, Tennet und 50 Hertz als assoziierte Partner zum Teilnehmerkreis.

„Unsere Prognoseverfahren werden der zunehmenden Dynamik auf der Erzeugungs- und der Verbrauchsseite weit besser gerecht werden als die althergebrachten Methoden“, verspricht Dominik Beinert, Co-Projektleiter seitens des Fraunhofer IEE. Profitieren sollen Netzbetreiber, Direktvermarkter und Anlagenbetreiber, die „leistungsstarke Werkzeuge in die Hand“ bekommen sollen, mit denen sie beispielsweise Flexibilitäten optimal im Energiesystem einsetzen können.

Das Training der Prognosemodelle müsse künftig nicht mehr manuell angestoßen werden, wie aus einer Mitteilung des Fraunhofer-Instituts hervorgeht. Stattdessen entwickeln die Projektpartner Methoden, die Veränderungen auf der Erzeugungs- und Verbrauchsseite unmittelbar und selbstständig in die Prognosen einbeziehen.

Verfahren des kontinuierlichen adaptiven Lernens und die fortlaufende Aktualisierung der Modelle stellen dies sicher. Im Gegensatz dazu hätten bisherige Verfahren nur Ergebnisse mit Zeitverzug liefern können, insbesondere, weil das Training der Modelle diskontinuierlich erfolgt sei.

Künftig für alle als Open Source verfügbar

Bei der Entwicklung der neuen Methode beziehen sich die Projektpartner auf eine Reihe von Anwendungsfällen, etwa den Betrieb von PV-Anlagen mit Prognosen der Erzeugung und des Eigenverbrauchs. Ein weiterer Anwendungsfall ist die Vorherhersage der Leistungsflüsse zwischen Hoch- und Höchstspannungsnetz, wobei kontinuierlich Änderungen der Schaltzustände im Netz berücksichtigt werden müssen. Die Netzbetreiber sollen damit die Überlastung von Betriebsmitteln zuverlässig prognostizieren können.

Die Projektpartner haben angekündigt, die neuen Methoden als skalierbare, resiliente Microservices zu gestalten, die sich dank vieler Schnittstellen nahtlos in diverse Steuerungs-, Management- und Betriebssysteme einbetten lassen. Ihre Ergebnisse wollen die Forschenden als Open-Access-Publikation veröffentlichen und die Software-Bausteine als Open Source der Energiewirtschaft zur Verfügung stellen.