zur Startseite ...

Institut für elegante Mathematik ... gruppe eM




zum DVGW ... zum Engler-Bunte-Institut ...

Engler-Bunte-Institut der Universität Karlsruhe (TH)
Erfahrungsaustausch 2004 der Chemiker und Ingenieure des Gasfachs,
16.-17. September 2004, Erfurt



Kaffeesatz oder logikur per prognosis ? Vortrag und Agenda: Prognose und EDM

Energiebedarfsprognose und Energiedatenmanagement
Rolf D. Brandt
BEB, Hannover
rolf.brandt@beb.de Veröffentlichung erschienen
bei gwf-Gas/Erdgas in Ausgabe 2/2005.

Bei Wunsch bzw. Bedarf bitte email an moin@algrotopoi.de.



abstract:


Online Mess- und Prozessdatenübertragung Die völlig neue Rollenverteilung, insbesondere über die komplette Energiebranche auf eigenständige Unternehmen verteilt, erfordert Anpassungen bis Neuimplementierung von IT-Lösungen. Betroffen sind insbesondere die zentralen Herzstücke im "über alle betroffenen Unternehmen" Prozess: die "Datenarsenale", in neudeutsch "Energie Daten Management Systeme" und die je firmeninterne aber auch insbesondere externe Kommunikation, d.h. Standards für Geschäftsnachrichtenaustausch (Nominierungen und Co.) und EDM-Datenaustausch (Energiedatenaustausch als Zeitreihen mindestens im Stundenraster) ja sogar → Messdaten-/ Prozessdatenaustausch im Minutenraster (Abb. 1).

Ohne das funktionieren die "neuen Spielregeln" nicht, das kann kein Energiebedarfs-Prognosesystem allein. Die momentan erreichbare (bzw. je überhaupt) Prognosegüte wiederum löst auch nicht alle Probleme, soll heißen, die nachweisbar auftretenden maximalen Fehler überschreiten "Pönalegrenzwerte". Die durchschnittliche Fehlerrate eines Prognosesystems ist in diesem Zusammenhang eine eigentlich nichtsbedeutende Information.

Unter dem Begriff Prognose wird in diesem Vortrag die Vorhersage des Gasbedarfes für einen in der Zukunft liegenden Zeitraum verstanden. Abb. 2: klassische Prognoseverfahren Den gängigen Prognoseverfahren liegen in der Regel Modelle zugrunde, die die zu prognostizierenden Bedarfswerte in Beziehung zu den im Modell festgelegten Eingangsgrößen setzen wie beispielsweise zu Wetterdaten und -vorhersagen oder Kenntnisse über das erwartete Verbrauchsverhalten bestimmter Kunden. Grundsätzlich gilt, dass die Vorhersagegenauigkeit dieser Eingangsgrößen die Genauigkeit der Prognose in erheblichem Maße beeinflusst, d.h. je besser die zur Verfügung stehenden Vorhersagen der Eingangsgrößen (z.B. die Wettervorhersage), desto geringer ist der Prognosefehler. In räumlich ausgedehnten Versorgungsgebieten führt eine Aufteilung dieses Gebietes in einzelne, separat (mit eigenen Eingangsgrößen) prognostizierte Regionen im allgemeinen zu einer verbesserten Prognose des Gesamtbedarfes. Die Prognosemodelle und Ergebnisse der Veröffentlichung → „Vorhersage des Gasbedarfes (Gasbedarfsprognose), DVGW, Bonn, 2001” [1] werden vorgestellt. Auf Basis von Geschäftsprozessen bzw. firmenübergreifenden Ablaufketten (u.a. notwendige Folge der so genannten Liberalisierung) wird der Zusammenhang mit EnergieDatenManagement-Systemen erläutert, auf Prozessleitsysteme mit mandantenfähigen Vertragskomponenten (SCADA & ConCADA), die wiederum auch Prognosebausteine verwenden, wird ebenso eingegangen. Neben den klassischen Prognoseverfahren (Abb. 2) wie Trendverfahren, Vergleichsverfahren, Hochrechnungsverfahren, Regressionsverfahren, werden auch künstliche (mehrstufige) Neuronale Netze, simulierter Verbrauch und weitere in der Energiewirtschaft tatsächlich verwendete Modelle kurz erläutert. Hierzu zählen z.B. Verfahren der Zeitreihenanalyse ("Box-Jenkins-Verfahren", "ARMA-Prozess" = Auto Regressive Moving Average): im wesentlichen Kombination(-en) traditioneller Verfahren der Zeitreihenanalyse, Abb. 3: Prätopologien Grundlast-, Regressions- und Trendanteile mit ständiger Anpassung der Modellparameter. Weiterhin die Extrapolation: Aussagen außerhalb der vorliegenden Erfahrungswerte, z.B. Abschätzung des Energiebedarfs bei -25°C, Langfristprognosen (z.B. Energiebedarf der nächsten 10 Jahre) und Ausbauplanungen (z.B. Bedarf bei Extremtemperaturen - Supply, Pipeline, UGS, ...). Wenig verwendet werden so genannte Expertensysteme, adaptive Systeme, wissensbasierte Systeme, schon öfter Mustererkennung, bin packing Algorithmen und Prätopologien (Abb. 3: mehrstufige Hüllenoperatoren): Teilinformation / stückweise eintreffende Information sind verwendbar - Außentemperatur, Globalstrahlung, Wind, aktueller Zustand, Tagestyp, Saison etc. - somit ist schrittweise immer genauere Prognose möglich und der Einfluss jedes Einzelparameters leicht verifizierbar. Auch Konstruktionen / Modellierung über "gefühlter Temperatur" sind untersucht worden.

Wichtig ist je eine ständige Kalibrierung (Rückkopplungen der Istwerte), auf "Eingangsfilter" sowie "Anpassungsfilter", Automatisierungsmöglichkeiten, Anpassungs-Algorithmen und das Schlagwort "Lastprofile"*) wird abschließend kurz eingegangen.


*) ad "Lastprofile": als "Lemma" wird zu diesem Thema (auch auf S.92/93 in der → Publikation "Energiebedarfsprognose und Energiedatenmanagement, GWF Gas-Erdgas, 146 (2005) Nr. 2, 2005", s.u.) folgendes dargelegt: ... aus der in o.a. Abbildung 3 aufgetragenen Punktwolke ist die Nichtlinearität und das Hystereseverhalten klar erkennbar. Dies wurde auch bei der Ermittlung der "Lastprofile" natürlich festgestellt. Eine Tatsache soll an dieser Stelle im Zusammenhang mit Lastprofilen erwähnt werden, unabhängig von der Frage, welche Sigmoidfunktion nun doch die richtige**) sein könnte. Die oben dargelegte Technik der online Mess- und Prozessdatenübertragung soll auch mittlere bis kleinere Kunden für die Gasmarktliberalisierung erschließbar machen. Für beispielsweise Haushalte ist das hingegen immer noch unwirtschaftlich. Ein möglicher Ansatz hier liegt bekanntlich in der Verwendung von Lastprofilen (auch "Standardlastprofile", SLP), die ja auch nichts anderes als Prognose darstellen und auf denselben statistischen Methoden basieren. Um aber die tatsächliche gewünschte und notwendige Vereinfachung herbeizuführen, ist noch einiges zu überdenken. Eine hierzu nicht uninteressante Feststellung dürfte das folgende sein: die Güte der Regression ist in fast allen Probanden im Sinne von "Energiebedarf in Abhängigkeit von der tatsächlichen Außentemperatur des selben Tags" nicht besser, meistens sogar echt schlechter, als die gleiche im Sinne von "Energiebedarf in Abhängigkeit von der tatsächlichen Außentemperatur des Vortags" (das ist physikalisch eigentlich auch klar / trivial; s.o. Hysterese / Einhüllende in Abb.3). Diese Tatsache ist im wesentlichen völlig unabhängig von der Wahl des Sigmoids (s.u. **)), aber verschlimmert sich natürlich nochmals, wenn man die Güte im Sinne von "Energiebedarf in Abhängigkeit von der prognostizierten Außentemperatur" betrachtet, da der hierin enthaltene Prognosefehler noch dazu kommt. Übersetzt bedeutet das für den Praktiker ganz provokativ das Folgende: für Lastprofile sollte ernsthaft in Erwägung gezogen werden, die tägliche Nachbearbeitung wegen der Abweichung der tatsächlichen Tagestemperatur von der am Vortag vorhergesagten dadurch zu vermeiden, dass schlicht und ergreifend einfach nur die Temperatur des momentanen Tages verwendet wird, um den Lastgang des nächsten, also unmittelbar folgenden, Tages festzulegen und somit auf, wie gesagt, tägliche Nachbearbeitung aber auch Beschaffung der Wetterprognosedaten verzichten zu können.

**) ad "richtige" Sigmoidfunktion: auch hierzu wurde deutlichst an die "praktische Vernunft" appelliert. Die momentan für die Gaswirtschaft hinkonstruierte Funktion hat keine klassische "neutrale" Parameterschätzmethode, der "wachstumähnliche" Zusammenhang (Energiebedarf über Außentemperatur, logistische Kurve bzw. deren nichtsymmetrischer Repräsentant: e-Funktion, "e" wie "elegante Mathematik") läßt sich ebenfalls physikalisch herleiten und schlägt somit eine ganz andere Kurvenklasse vor usw. Es ist auch hier zur Vereinfachung für die Praxis besser, eine Funktionsklasse (im Sinne einer Verteilung) zu verwenden, für die bereits Parameterschätzmethoden (in bereits etablierter Statistik-Software) vorliegen, d.h. neutral, unabhängig vom Institut bzw. Sachbearbeiter zu identischen Parametern des Sigmoids führen.


Lit.:
[1] Vorhersage des Gasbedarfes (Gasbedarfsprognose): H. Bauer, R.D. Brandt, J. Jäschke, V. Müller, M. Paulus; DVGW-Arbeitsblatt (Deutscher Verein für das Gas- und Wasserfach), Bonn, 2001
(http://www.dvgw.de/fileadmin/dvgw/gas/netze/gasbedarf.pdf)

agenda:

  • Datenflüsse
  • Vertrags- und EnergieDatenManagement
  • Gas bewegen: SCADA & ConCADA
  • Was geht? Prognosemodelle, Güte, Anwendbarkeit
  • Ewig Plausis und rekalibrieren
  • Bündeln: Fazit
  • Interessenkonflikte ?

→ Programm/PDF-Broschüre
→ gwf-Gas/Erdgas 2/2005, 146. Jahrgang 2005, ISSN 0016-4909, Oldenbourg Industrieverlag, München, p. 89-93 Veröffentlichung erschienen
bei gwf-Gas/Erdgas in Ausgabe 2/2005.

Bei Wunsch bzw. Bedarf bitte email an moin@algrotopoi.de.
→ »Kopie bestellen«: baufachinformation.de [Fraunhofer IRB]
→ »coauthors«: noi [eM intern]
→ ppt-Vortrag und Agenda: „Energiebedarfsprognose und Energiedatenmanagement“
→ Datenübertragung online, B. Falke (BEB), P. Thielke (natGAS), R.D. Brandt (BEB) (→ maGASin 2/2004, komplette Ausgabe).
Stichworte: Online-Absteuerung (OFC | Online Flow Control), Messdatendrehscheibe, Prozessdatendrehscheibe, Energiedatenmanagement, ConCADA, GPRS, XML, TASE.2, Zählerfernauslesung ...


zurück φφ
eM