Energy Analytics
Abweichungen zwischen Prognose und tatsächlicher Last führen bei Energieversorgern zu Kosten für Ausgleichsenergie. Mit Hilfe von Data Science Methoden können detaillierte Lastverläufe von Kunden zur Verbesserung der Prognosen genutzt und die Ausgleichsenergiekosten reduziert werden.
Ausgangslage
Kosten durch schlechte Prognosen
Energieversorger erstellen Lastprognosen für ihr Kundenportfolio unter Nutzung des historischen Gesamtverbrauchs aller Kunden. Veränderungen im Kundenportfolio können bei diesem Vorgehen nicht berücksichtigt werden was eine schlechte Prognosegüte zur Folge hat. Für den Ausgleich von Abweichungen zwischen Prognose und tatsächlicher Last entstehen den Energieversorgern Kosten. Durch bessere Lastprognosen können diese Ausgleichsenergiekosten reduziert werden.
Lösung
Kundenclustering zur Verbesserung von Lastprognosen
Prognosen können für Kunden mit detaillierten Lastverläufen verbessert werden, beispielsweise bei Haushaltskunden mit einem Smart Meter oder Gewerbekunden mit registrierender Lastgangmessung. Basierend auf den bereinigten Lastdaten werden verschiedene Modelle zum Clustering der Kunden umgesetzt und verglichen. Ziel ist es homogene Cluster mit ähnlichen Lastprofilen zu identifizieren. Zur Prognose des Lastgangs im Gesamtportfolio können repräsentative Lastprofile pro Cluster mit der Kundenzusammensetzung im Portfolio gewichtet werden. Dadurch kann die Genauigkeit der Lastprognose verbessert werden.
Nutzen
Reduktion der Ausgleichsenergiekosten
Durch Verbesserung der Prognosegüte für das Kundenportfolio eines Energieversorgers können die Ausgleichsenergiekosten reduziert werden. Das Einsparpotential ist bei Energieversorgern mit schlechten Prognosemethoden größer. Darüber hinaus wird durch das Clustering das Verständnis der Kundenlandschaft gestärkt und somit die Grundlage für neue Produkte geschaffen. Beispielsweise können dynamische Tarife für Kunden angeboten werden.
Haben wir Ihr Interesse geweckt? Sprechen Sie uns an.
Sprechen Sie uns an
