Viele mittelständische Unternehmen müssen immer höhere Summen berappen, wenn der Energieversorger seine Rechnung schickt. Denn die Kosten für Beschaffung, Netzentgelt und Vertrieb, die durch Prognoseabweichungen verursachte Ausgleichsenergiekosten beinhalten, sind für Industriekunden innerhalb von fünf Jahren um 32 Prozent gestiegen. Ab 1. Januar 2021 wird die CO2 -Steuer zusätzlich zu Buche schlagen, die EEG-Umlage aber möglicherweise gedeckelt. Unterdessen liegt der Kurs an der Leipziger Strombörse aktuell unter dem Wert von vor zehn Jahren und rutschte 2019 an rund 200 Stunden ins Minus – meist dann, wenn zu viel Strom aus erneuerbaren Energiequellen zur Verfügung stand.
Martin Reisinger, Gruppenleiter Hybride Systeme und Energiedatenanalyse am Fraunhofer IPA, geht davon aus, dass der Börsenstrompreis in Zukunft immer häufiger kurzfristig negativ ausfallen wird. „Wer von flexiblen Tarifen profitieren möchte, muss seinen Stromverbrauch zuverlässig prognostizieren und steuern können“, gibt der Forscher zu bedenken. So könnten nicht nur Lastspitzen etwas geglättet, sondern besonders energieintensive Teile der Produktion auf Zeiten mit niedrigeren Strompreisen verschoben werden. „Voraussetzung für diesen Schritt vom Last- zum Flexibilitätsmanagement ist allerdings eine integrierte Digitalisierungs- und Energiestrategie für die Produktion“, so Reisinger weiter.
Stromlieferanten haben heute schon ein Interesse an genaueren Prognosen, die auf den Messwerten aus den Energiemanagementsystemen eines Unternehmens basieren und für Energieversorger bisher nicht nutzbar sind. Die Lieferanten können damit ihr Kostenrisiko beim Ausgleichsenergiepreis (reBAP) verringern – und diesen Kostenvorteil teilweise an ihre Kunden weitergeben.
Daten erheben im 15-Sekunden-Takt
Welche komplexen Zusammenhänge die Auswertung von Energiedaten zu Tage fördert und welche Energieflexibilitätspotenziale sich daraus ableiten lassen, klären Reisinger und sein Team im Forschungsprojekt »Gewinnbringende Partizipation der mittelständischen Industrie am Energiemarkt der Zukunft« (GaIN), das vergangenen Dezember angelaufen ist. Die Daten erhalten die Forscher von ihrem Partner ENIT Energy IT Systems GmbH, einem Anbieter für Energiemanagement aus Freiburg. Im 15- bis 30-Sekunden-Takt will das Start-up in bis zu zehn Reallaboren bei Industriebetrieben nicht nur Daten am Netzübergabepunkt erfassen, also an der Stelle, an der die Leitung des Energieversorgers auf die Hausleitung des Verbrauchers trifft, sondern auch an Transformatoren und jeder einzelnen Maschine.
Außerdem wollen die Wissenschaftler auf die Produktionsplanungsdaten der Unternehmen zugreifen, die sich am Forschungsprojekt GaIN beteiligen möchten. Denn wenn im PPS-System hinterlegt ist, wann welche Maschinen welches Produkt in welcher Stückzahl herstellen sollen und für welche Zeit Betriebsferien vorgesehen sind, können produktionsbezogene Einflussfaktoren in der Lastprognose mitberücksichtigt werden.
Künstliche Intelligenz soll Stromverbrauch vorhersagen
All diese Daten wird Reisingers Kollege Thilo Walser, ein Experte für maschinelle Lernverfahren, in ein sogenanntes Hybridmodell einfließen lassen. Ein Hybridmodell kombiniert verschiedene maschinelle Lernverfahren miteinander und erkennt so komplexe Zusammenhänge, die mit referenzbasierten und statistischen Verfahren nicht erkannt werden können. Geplant ist, dass die Machine-Learning-Modelle, die Walser programmiert, den Datenanalyseprozess automatisiert ausführen. Dieser umfasst die Datenintegration und -aufbereitung, die Auswahl von Einflussfaktoren, sowie das Monitoring der Prognosegüte und die Modellanpassung. Wie genau das funktionieren könnte, ist allerdings noch offen und soll im Forschungsprojekt GaIN geklärt werden.
Klar ist aber: Je mehr Daten Walsers Hybridmodelle auswerten können, desto zuverlässiger werden die Stromverbrauchsprognosen, die sie liefern sollen. Die Projektpartner sind deshalb auf der Suche nach weiteren Unternehmen, die ihre Energieflexibilitätspotenziale ermitteln lassen wollen und bereit sind, ihre Energiedaten auswerten zu lassen.
