Anwendung von ML bei der Optimierung des Stromverbrauchs

Der Kunde ist ein im Vereinigten Königreich ansässiges Unternehmen, das Lösungen zur Optimierung des Energieverbrauchs und der Energieerzeugung anbietet. Mit marktführenden EMS-Systemen, kosteneffizienten Solar- und BESS-Systemen und der Fähigkeit, kundenspezifische Projekte für erneuerbare Energien zu entwerfen und umzusetzen. Ziel des Kundne ist die völlige Verm,eidung von CO2-Emissionen an für Unternehmen und Gemeinden  durch die Erzeugung und Nutzung erneuerbarer Energien. 

Der Kunde verfügt über ein System, das auf intelligente Weise entscheidet, wie der Strom in seiner Anlage genutzt wird. Wenn der Endkunde über eine Photovoltaik- oder Batterieanlage verfügt, kann er also Energie aus dem Netz beziehen, auf erneuerbare Energiequellen umstellen und den erzeugten Strom speichern oder verkaufen. 

Der Kunde benötigte Unterstützung bei der Erstellung von Prognosemodellen (ML), die in einem nächsten Schritt die Optimierung des Energieverbrauchs ermöglichen sollten, um die Kosten oder die CO2-Emissionen zu minimieren, je nach gewähltem Ziel, indem optimale Entscheidungen über die erzeugte und aus dem Stromnetz entnommene Energie getroffen werden: ob sie verbraucht, gekauft, verkauft oder gespeichert werden soll. 

Unser Ansatz bestand aus drei Hauptphasen: 

1. Analyse der historischen Daten  

In diesem Stadium haben wir Daten von Endkundeninstallationen verwendet, um Vorhersagealgorithmen zu entwickeln. 

2. Lösungsvorschlag für die Erstellung von Vorhersagemodellen  

Im Rahmen des Projekts haben wir klassische und ML-Modelle in einfachen und komplexen Varianten betrachtet. Wir analysierten die Abhängigkeit des Energieverbrauchs und der Energieerzeugung von der Zeit.  

Die Lösung besteht aus den folgenden Komponenten: 

• Modul Stromverbrauchsprognose 
• Modul zur Prognose der Stromerzeugung 
• Optimierungsmodul, das je nach Bedarf und Strompreis entscheidet, ob Energie aus bestimmten Quellen (Netz/Photovoltaik) genutzt, verbraucht, gespeichert, gekauft oder verkauft werden soll. 

Für jede Vorhersage haben wir geeignete mathematische Methoden entwickelt, die auf die jeweilige Situation zugeschnitten sind und unter anderem von der Datenmenge abhängen. Als Ergebnis haben wir Modelle mit einem optimalen Kompromiss zwischen Komplexität und Genauigkeit ausgewählt. Das Optimierungsmodul ist auf die Systemanwendungsfälle der Kunden zugeschnitten.  

3. Softwareherstellung und testen der Vorhersagemodelle

Wir haben eine Lösung entwickelt, die in der Lage ist, Prognosemodelle zu erstellen, die sogar auf jeden institutionellen Kunden einzeln zugeschnitten sind. Auf der Grundlage der von den Modellen gelieferten Vorhersagen schlägt der Optimierer die optimale Bearbeitungsstrategie vor. Unsere Datenwissenschaftler validierten die Lösung sorgfältig. 

Wir haben das Projekt fristgerecht und im Rahmen des Budgets abgeschlossen, und die Genauigkeit der Leistung der Lösung entsprach den Erwartungen des Kunden. Dank der engen Kommunikation mit dem Kunden konnten wir seine geschäftlichen Prioritäten schnell verstehen, was das Projektmanagement erleichterte. Dies wirkte sich positiv auf die Geschwindigkeit der Lieferung und das Erreichen der Ziele des Kunden aus.