Wie können der Energiekonsum nachhaltig gestaltet und Kosten gesenkt werden? Genau daran forscht das Intelligent Data Analytics (IDA) Lab Salzburg in Zusammenarbeit mit Copa-Data.
Berechnung des Energiepreises
Im Bereich der Industrie benötigen die Produktion von Waren und die Erhaltung von Gebäuden viel Energie. Die Kosten können in diesem Bereich sehr hoch ausfallen und setzen sich aus drei Teilen zusammen. Zu den beiden ersten gehören die Fixkosten für die Infrastruktur, die der Energieanbieter zur Verfügung stellt, und der Energiepreis für die Menge an verbrauchter Energie. Der dritte Teil ist der Bereitstellungspreis, mit dem die dauerhafte Bereitstellung einer an das Unternehmen angepassten Energiemenge beglichen wird. Die Höhe des Preises wird aus dem letzten Abrechnungszeitraum ermittelt, der beispielsweise ein Jahr oder einen Monat betragen kann. In diesem Zeitraum wurden die Mittelwerte von je 15-Minuten-Perioden festgehalten. Als Richtwert für die neue Abrechnungsperiode wird der höchste dieser Mittelwerte gewählt.
Optimierungspotenzial
Da der Energieverbrauch der meisten Unternehmen etwas schwankt, kommt es hin und wieder zu Lastspitzen. Diese sind ein plötzlicher starker Anstieg des Energieverbrauchs, der in der 15-Minuten-Periode, in der er auftrat, einen übermäßig hohen Mittelwert bewirkt. Daher kann es geschehen, dass am Ende der Abrechnungsperiode viele dem üblichen Energieverbrauch des Unternehmens entsprechende Mittelwerte und wenige sehr hohe Mittelwerte (die Lastspitzen enthalten) vorliegen. Da der höchste dieser Mittelwerte als Referenz für den Preis des folgenden Abrechnungszeitraums verwendet wird, liegt der Preis für die Bereitstellung des nachfolgenden Zeitraums weit über dem normalerweise auftretenden Verbrauch des Unternehmens. Daher kann ein großer Teil der zur Verfügung gestellten Energie nicht genutzt werden, wobei dennoch die Bereitstellungskosten vom Energieversorger in Rechnung gestellt werden.
In genau diesem Bereich der Kostenzusammensetzung kann mit der passenden Optimierung eine substanzielle Menge an nicht nachhaltig eingesetzten Kosten gespart werden. Dafür müssen Mittelwerte aneinander angeglichen und daraus folgend Lastspitzen geglättet werden.
Methodik zur Lastspitzenglättung
Es gibt zwei grundlegende Herangehensweisen, um eine Lastspitze zu glätten. Die erste ist das temporäre Abschalten oder Zurückschalten von Verbrauchern und die zweite ist das Zuschalten von Generatoren. Beide senken den allgemeinen Energieverbrauch und können auch in Kombination angewendet werden.
Um dies rechtzeitig einleiten zu können, muss im Vorhinein bekannt sein, dass eine Lastspitze auftreten wird. Dafür ist die Vorhersage der Grundlast verantwortlich. Der gesamte Energieverbrauch setzt sich aus dem Teil der Grundlast, dem unveränderlichen Teil des Energieverbrauchs, und der variablen Last, den zusätzlichen Generatoren und ausschaltbaren Verbrauchern, zusammen. Wenn eine sehr hohe Grundlast vorhergesagt wird, können die genehmigten Verbraucher ausgeschaltet und die Generatoren eingeschaltet werden. Die Entscheidung dafür trifft der „Agent“ (Kontrollalgorithmus) des Systems. Dieser hat unter anderem die Informationen über die vorzugsweise Reihenfolge der Ein- und Ausschaltung, und das Wissen über die konkrete Verfügbarkeit im Moment der Entscheidung, der Ein- und Ausschaltung von bestimmten Systemteilen. Der Agent berechnet die passende Schaltstrategie im Rahmen dieser Einschränkungen.
Umfangreicher Kreislauf
Die Infografik im Bild illustriert den gesamten Regelkreis: Zunächst prognostiziert ein Modell die Grundlast und den Energieverbrauch des Werks. Daraufhin simuliert der Kontrollalgorithmus, der in direkter Verbindung mit Zenon steht, verschiedene Schaltfolgen von Verbrauchern und Erzeugern und bewertet jede Alternative. Die Variante mit der besten Bewertung wird in der Anlage umgesetzt, indem der Kontrollalgorithmus diese als Vorschlag an Zenon übermittelt, der sie schließlich einleitet. Danach liefert das System den aktualisierten Gerätestatus und eine reale Bewertung zurück an Zenon, die der Agent, nach der Weitergabe der Daten von Zenon, mit der simulierten Bewertung vergleicht, um die Modellgüte zu prüfen. Abschließend aktualisiert er das Prognosemodell mit den neuesten Betriebsdaten. So bleibt das Modell verlässlich, passt sich laufend an neue Situationen an und verbessert sich durch kontinuierliches Lernen.
Die Prognose bezieht sich jeweils auf die aktuelle Abrechnungsperiode. So kann der Algorithmus nicht nur die nächste Schaltaktion, sondern gleich eine ganze Abfolge von Schritten vorausplanen, verschiedene Aktionsketten optimieren und damit einen möglichst hohen Energieverbrauch erzielen, ohne die zulässige Spitzenlast zu überschreiten.
Der Agent wird in den nächsten Jahren weiterentwickelt und setzt dabei auf KI-Verfahren wie Deep Reinforcement Learning kombiniert mit robusten statistischen Methoden. So kann er flexibel und zuverlässig auf individuelle Kundenanforderungen reagieren, während die gewünschte Funktionsweise seiner Algorithmen jederzeit garantiert bleibt.
