Advanced Analytics

Netzbetrieb im 21. Jahrhundert

Können Netzbetreiber Daten monetarisieren? Und wenn ja, wie? Wir stellen zwei Anwendungsfälle vor.

01. Februar 2019
Netzbetrieb  im 21. Jahrhundert

Für die Netzüberwachung greifen viele Netzbetreiber auf Systeme zurück, die nach festen Schwellwert-Kriterien operieren. Das heißt: Die Systeme überwachen, ob sich die betrachteten Zielgrößen innerhalb eines vordefinierten Wertebereichs befinden.

Anomalien erkennen

Möchte das Unternehmen einen Aspekt des Netzes dauerhaft überwachen, wie etwa den Lastfluss, muss es dafür feste Schwellwerte definieren, die eine Vielzahl von Normalzuständen gesamtheitlich abdecken. Damit lösen zustandsspezifische Abweichungen häufig keinen Alarm aus.

Dank Machine Learning (ML) und Künstliche-Intelligenz(KI)-Verfahren wird diese Überwachung nun wesentlich einfacher und flexibler: Netzbetreiber können damit die festdefinierten Schwellwerte nämlich vollständig auflösen.

Denn durch KI und ML wird automatisch erkennbar, wann mit welcher Auslastung zu rechnen ist – basierend auf einer Zeitreihenmessung, die eine Unterscheidung etwa zwischen Typtagen wie Wochentagen oder Wochenende ermöglicht.

Die Netzlast kann beispielsweise sonntagnachts sehr gering ausfallen, während wochentags in den Morgen- und Abendstunden Höchstwerte auftreten.

WISSEN KOMPAKT

Advanced Analytics: So gelingt der Einstieg in die praktische Umsetzung

1. Klein starten. Eine Anwendung oder einen Prototyp binnen Tagen oder Wochen entwickeln

2. Validierung der erarbeiteten Lösungen so früh wie möglich

3. Verfügbarkeit von Echtzeitdaten priorisieren. Verwendete IoT-Plattform muss Datenmengen verarbeiten können sowie Abfragen ausführen und Ergebnisse in Echtzeit ausspielen

4. Flexibles Datenmanagement sicherstellen. Zu empfehlen sind NoSQL-Datenbanken oder KI- und ML-Toolsets

5. Wachstum durch skalierfähige Tools sicherstellen. Netzbetreiber sollten eine skalierbare und herstellerunabhängige Plattform wählen (Quelle: Arvato Systems)

Auf Basis der gesammelten Daten – zum Beispiel durch Smart Metering – kann der Netzbetreiber anschließend Verhaltensmuster untersuchen und systematisieren, während er gleichzeitig Lastprofile, wie etwa Industrie- oder Privatkunden-Profile, die beispielsweise auch PV-Erzeugungsanlagen berücksichtigen, erstellen kann.

Das zu erwartende Verhalten lässt sich dann feingranular auf Basis der verschiedenen Einflussgrößen abbilden, was auch generelle Korrelationen zur Außentemperatur oder zum Wetter einschließt.

E-Autos in einer Smart City

Die Anomalien, die im Netz erkannt werden, basieren damit nicht mehr auf zuvor definierten Schwellwerten, sondern auf Umgebungsparametern. Fällt der Wert geringer oder höher aus als erwartet, kann der Netzbetreiber bedarfsgerecht reagieren. Das Zukunftsszenario Smart City ist gar nicht mehr so weit entfernt: Inzwischen finden sich immer häufiger Ladestationen für E-Autos auf Parkplätzen in Einkaufszentren oder am Supermarkt. Eben genau an den Orten, an denen es praktisch ist, sein Elektrofahrzeug aufzuladen. Die stetig steigende Anzahl an neuen E-Autos erhöht den Anforderungsdruck, weite Stadtgebiete mit solchen Ladesäulen auszustatten.

Natürlich müssen Netzbetreiber sich in diesem Kontext mit der Frage beschäftigen, wie Netzüberlastungen aufgrund von zeitgleichen Ladevorgängen durch Steuerungsmaßnahmen vermieden werden und die Auslastungsströme optimiert werden können.

»Künstliche Intelligenz ermöglicht es, das Lade- verhalten an den Ladesäulen vorherzusagen.«

— Arvato Systems

Mit KI wird das deutlich einfacher: Die Technologie ermöglicht es, das Ladeverhalten an den Ladesäulen vorherzusagen. Wenn zu einem bestimmten Zeitpunkt mit einer besonders hohen Auslastung zu rechnen ist, etwa am Samstagvormittag, wenn besonders viele Menschen einkaufen gehen, dann lässt sich mithilfe der KI die Steuermaßnahme zur Anpassung der Ladeleistung an die Netzkapazität anstoßen.

Das kann auch bedeuten, dass weitere Ladesäulen aufzubauen sind, sollten alle Ladesäulen permanent ausgelastet sein. Zudem erlaubt KI es, die Ladevorgänge in unterschiedlichen Dimensionen zu optimieren: indem etwa sämtliche verfügbare Speicherkapazitäten berücksichtigt werden oder die Nutzung von PV-Strom für den Betrieb bevorzugt wird. Advanced Analytics hält Einzug in Unternehmen; und das über alle Branchen hinweg. Mit zunehmender Digitalisierungsreife stellt sich für Netzbetreiber die Aufgabe, Mittel und Wege zu finden, die erfassten Daten gewinnbringend einzusetzen. Genau dabei kann ein für Advanced Analytics spezialisierter Dienstleister wie Arvato Systems unterstützen. Gemeinsam finden die Unternehmen heraus, wie bestimmte Zielstellungen auf Basis der erhobenen Daten operativ implementiert werden können. Nicht zuletzt zeigen die beiden Beispiele: Mit dem Einsatz von KI lassen sich die Aufgaben der Netzbetreiber perspektivisch deutlich einfacher gestalten.

Hartmut Entrup, Niels Pothmann, beide Arvato Systems

Erschienen in Ausgabe: 01/2019

Schlagworte