Load Forecasting mit Deep Learning.

Die Prognose des täglichen Stromverbrauchs ist eine zentrale Herausforderung für viele Energieunternehmen, um die am Strommarkt einzukaufende Strommenge zu steuern und entsprechend bereit zu stellen. Abweichende Prognosen bedeuten, entweder den Strom zu höheren Preisen nachzukaufen oder unter Marktpreis wieder einzuspeisen. Load Forecasting wird in großen Teilen über Black Box Produkte abgebildet, was für Unternehmen häufig ungünstige Nebeneffekte wie Vendor-Lock-ins und Intransparenz bedeutet. Unser Kunde, ein internationales Energieunternehmen, stand vor der Herausforderung, die bestehende Black Box Lösung mit Open Source Tools zu benchmarken.

Load Forecasting wird häufig mit einfachen, neuronalen Netzen durchgeführt. Diese eignen sich gut, um die periodische Komponente des täglichen Stromverbrauchs vorherzusagen und weitere Einflussfaktoren wie Ferien, Feiertage und Wetterparameter zu berücksichtigen. Im Hinblick auf diese Vorteile entwickelten wir ein Deep Learning Modell, das gegenüber einfachen neuronalen Netzen aus mehreren Hidden Layern besteht, um hochdimensionale Wechselwirkungen zwischen den Input-Faktoren zu modellieren. Zudem wurden die einzelnen Modelle wiederholt auf verschiedenen Partitionen der Daten trainiert, um eine Ensemble Prognose zu erstellen.