Intelligente Vorhersagen für Redispatch 2.0

13.08.2020 – Präzise Prognosen sind essenziell für die neuen Redispatch-Prozesse. Solandeo hat seine KI-basierte Plattform für die anstehenden Aufgaben weiterentwickelt.

Die Umgestaltung des Redispatch-Verfahrens („Redispatch 2.0“) im deutschen Stromnetz fordert von den Verteilnetzbetreibern künftig eine präventive Sicht auf die Vorgänge in ihrem Netz. Durch vorausschauende, dynamische Planungen sollen Einspeisung und Stromlast fortan effizienter aufeinander abgestimmt werden, so dass Netzengpässe auf allen Spannungsebenen möglichst im Vorfeld vermieden werden können.

Belastbare Prognosemodelle sind für diese Prozesse naturgemäß eine absolut zwingende Voraussetzung. „Diese müssen in der Lage sein, große Mengen von Netzdaten, die aus einer Vielzahl hochfrequenter Messstationen in sehr langen, aggregierten Messreihen bereitgestellt werden, zu verarbeiten und zu interpretieren“, erläutert Friedrich Rojahn, CEO der Solandeo GmbH. Das Berliner Unternehmen startete als wettbewerblicher Messstellenbetreiber mit dem Fokus auf Erneuerbare Erzeuger und holte 2017 die SOTA Solutions GmbH ins Boot, die sich auf die Analyse von großen Datenmengen und daraus abgeleiteten Prognosen spezialisiert hat. Im Zuge der Beteiligung beim SINTEG-Projekt WindNODE wurde das Kompetenzfeld der Erzeugungsprognosen unter Beweis gestellt und weiter ausgebaut. Heute bietet Solandeo Netzbetreibern eine kurzfristig umsetzbare, technisch ausgereifte Prognoselösung für die Anforderungen von Redispatch 2.0.

Solandeo Titel
Durch vorausschauende, dynamische Planungen sollen Einspeisung und Last effizienter aufeinander abgestimmt werden, um Netzengpässen vorzubeugen. Foto: Energiequelle GmbH ; Grafik: Titima Ongkantong/Shutterstock.com

Künstliche Intelligenz und Maschinelles Lernen

Anders als viele andere Prognoseverfahren verarbeitet die Lösung die Eingangsdaten nicht in einem einzelnen Modell, sondern funktioniert ähnlich wie ein neuronales Netzwerk: „Die einzelnen Parameter, die beispielsweise für die Berechnung der Netzauslastung, der Ausfallarbeit oder des Redispatch-Potenzials relevant sind, können in dieser Struktur immer wieder überprüft, neu bewertet, verändert und verbessert werden“, erklärt Kolja Bailly, der das Analytics-Team bei Solandeo leitet. Dieser Mechanismus basiert auf selbstlernenden Algorithmen, die die eingehenden Realdaten permanent analysieren, in Beziehung zueinander setzen, nach Mustern suchen, mit historischen Daten abgleichen und auf diese Weise die Ergebnisse optimieren. Daraus resultieren interessante Erkenntnisse, wie Kolja Bailly berichtet: „Datengetriebene Modelle können aufgrund ihrer hohen Flexibilität insbesondere im kurzfristigen Bereich besser performen als rein physikalische Wettermodelle.“

Durch den Einsatz künstlicher Intelligenz sei das Solandeo-System zudem hochgradig individualisierbar und ermögliche die flexible Einbindung zusätzlicher Informationen, wie der langjährige Data Scientist ausführt.

Modulare Prognoseplattform

„Unsere Erfahrung mit Tausenden von Anlagen zeigt, dass sich Datenlücken nie ganz vermeiden lassen“, berichtet Solandeo-Chef Rojahn. Damit diese Daten also überhaupt nutzbar sind, müssen diese Lücken geschlossen werden – eine Aufgabe, die das Modul Datenaufbereitung automatisch übernimmt. Die Komponente prüft zunächst alle eingehenden Daten auf formale Korrektheit der Übertragungsformate, validiert und plausibilisiert daraufhin die Werte anhand von Stammdaten, Prognosen oder gleichartigen Daten aus lokaler Umgebung.

In der grafischen Benutzeroberfläche des Prognosesystems können festgelegte Metriken zur Datenqualität jederzeit in Echtzeit für alle eingepflegten Datenreihen dargestellt und ausgewertet werden, bei Abweichungen erfolgt eine Benachrichtigung.

Prognosesystem_Solandeo
Prognosesystem zur Anbindung an Redispatch-Systeme. Grafik: Solandeo GmbH

„Das Herz des Prognosesystems ist das Modul für die skalierbare vollautomatische Erstellung, Evaluierung und Inbetriebnahme von Prognosemodellen“, erklärt Friedrich Rojahn das Ergebnis einer Technologieentwicklung von mehreren Jahren. Kolja Bailly ergänzt: „Neben Google TensorFlow, Keras und Microsoft Azure stellt diese Komponente den heute höchsten Stand der Technik zur automatisierten Entwicklung von Machine-Learning-Modellen dar.“

Auf dieser Basis erstellt das System spezifische Einzelprognosen für verschiedene Anwendungsgebiete. Dies können Modelle für die interne Verwendung (Ersatzwertverfahren, Datenqualität etc.) sein oder Prognoseverfahren für nachgelagerte Systeme, etwa für Redispatch 2.0. „Für eine zu erstellende Prognosereihe werden mehrere unabhängige Prognosemodelle trainiert, ausgeführt und verschnitten. Die einzelnen Subprognosen unterscheiden sich dabei hinsichtlich ihrer Methodik sowie der verwendeten Datengrundlage“, erläutert Bailly. Ein hochkomplexes Verfahren, das aber sicherstellt, dass auch bei unvollständigen Eingangsdaten jederzeit eine valide Prognose erstellt werden kann. Beim Auftreten ungewöhnlicher externer Ereignisse bietet das Prognosesystem aber dennoch Möglichkeiten zum manuellen Eingriff in den ansonsten vollautomatischen Prozessablauf. „Zu einem guten Automatisierungskonzept gehört auch die Möglichkeit, das Fachwissen des Anwenders bei Bedarf einfließen zu lassen“, sagt Friedrich Rojahn.

Auch aus diesem Grund umfasst die Plattform noch einen Werkzeugkasten, der es dem Anwender beispielsweise erlaubt, Prognosemodelle zu verändern, neu zu konfigurieren oder zu vergleichen und Qualitätsauswertungen vorzunehmen.

Solandeo Plattform
Die Solandeo Plattform bezieht laufend alle verfügbaren Daten – hier die eines Batteriespeichers – bei der Prognoseerstellung ein. Foto: ahnenenkel.com/Silke Reents

Offenheit und Flexibilität

Das Prognosesystem verfügt in der Hauskonfiguration über eine RESTful-Schnittstelle mit JSON-Übertragung und einer SFTP-Schnittstelle für die Übertragung von CSV-Dateien. Zusätzliche Datenkanäle und -formate werden bedarfsabhängig hinzugefügt. „Alle gängigen Datenformate sind implementierbar“, betont Friedrich Rojahn, so dass die intelligenten Algorithmen mit vielen weiteren Informationen wie Stamm-, Planungs- und Zuordnungsdaten, Lastprofilen, Wetterdaten, Schaltmaßnahmen, Verfügbarkeit von Anlagen oder beliebigen sonstigen Zeitreihendaten „gefüttert“ werden können. Auch externe Prognosen lassen sich einbeziehen und mit den vorhandenen Prognosen verschneiden. Zur einfachen Integration in die bestehenden IT-Systeme greift Solandeo auf standardisierte APIs zurück.

Für die Visualisierung setzt das Unternehmen auf die quelloffene „Grafana Observability Platform“ – eine Standardsoftware für Zeitreihenanalyse und Echtzeit-Monitoring von Big-Data-Anwendungsfällen mit weltweit über 550.000 aktiven Installationen. Integriert in die Gesamtlösung stellt sie dem Anwender alle benötigten Dashboards für die Visualisierung von Datenreihen, Analytics und Reports zur Verfügung.

Die Analytics Plattform kann nach Auskunft von Solandeo bereits innerhalb von vier bis sechs Wochen in den Live-Betrieb überführt werden und wahlweise als Software-as-a-Service oder als on-premise-Lösung auf Servern des Netzbetreibers genutzt werden. Sie ergänze sich zudem ideal mit Lösungen von anderen Innovatoren wie envelio, betont Friedrich Rojahn. „Gemeinsam mit Partnern können wir daraus ‚All-inclusive‘-Pakete schnüren, die alle Anforderungen des neuen Redispatch-Verfahrens erfüllen.“ (pq)

Solandeo GmbH
Maximilian Müller
mueller@solandeo.de
www.solandeo.com

Share