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.