Standardisierte Algorithmen können den Energieverbrauch einer komplexen Industrieproduktion nur unzureichend abbilden. Lastspitzen können sie oft nicht vorhersagen. Das haben Forscher des Fraunhofer IPA herausgefunden und sie empfehlen eine maßgeschneiderte Datenintegration und Expertenwissen über die Gegebenheiten in der Produktion.
KI-Modelle von der Stange scheitern in Industrieproduktionen
Der Markt für Energiemanagement-Lösungen verspricht oft einfache Antworten durch KI. Während Anbieter von Cloud-Dienstleistungen und Online-Plattformen mit „One-Click-KI“ werben, zeigt die Realität in deutschen Fabrikhallen ein anderes Bild: Teure Lastspitzen und ungenaue Einkaufsfahrpläne trotz modernster Software.
Ein Forschungsteam des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA kommt zu dem Schluss: Wer komplexe Industrieprozesse rein datengetrieben und ohne einschlägige Fachkenntnisse automatisieren will, lässt viel Optimierungspotenzial liegen. Die Analyse von 80 Datensätzen über zwei Jahre zeigt, dass moderne Deep-Learning-Ansätze zwar leistungsfähig sind, aber ohne maßgeschneiderte Datenintegration oft ihr Ziel verfehlen.
Modelle aus dem Gewerbe greifen in der Industrie zu kurz
Ein Team um Lukas Baur vom Forschungsbereich Energiesysteme und -speicher am Fraunhofer IPA hat für seine Studie zwölf verschiedene Modellarchitekturen einem systematischen Vergleich unterzogen. Das zentrale Ergebnis liefert wichtige Kennzahlen für Energiemanager: Während sich der zusammengefasste Strombedarf ganzer Regionen mit einer Fehlerquote von rund fünf Prozent sehr präzise vorhersagen lässt, ist die Varianz in der Industrie deutlich höher. Die Fehlerquote liegt hier im Mittel bei 28 Prozent. Generische Modelle glätten hier oft genau die Spitzen, die finanziell am meisten schmerzen.
Besonders interessant ist der Vergleich mit dem Gewerbe: Bürokomplexe oder der Handel sind mit einer Fehlerquote von 17,5 Prozent deutlich besser prognostizierbar als Industriebetriebe. Dies belegt, dass Algorithmen, die für Gewerbeimmobilien funktionieren, nicht ohne Weiteres auf die stark schwankenden Abläufe in der Fertigungsindustrie übertragbar sind.
Komplexe KI trifft nicht automatisch besser
Ein weiteres zentrales Ergebnis der Studie ist, dass moderne, komplexe Deep-Learning-Architekturen nicht automatisch zu besseren Ergebnissen führen als klassische Verfahren. Im direkten Vergleich zeigte sich, dass etablierte Machine-Learning-Methoden (beispielsweise „Random Forest“) robuster agieren, wenn die Datenbasis klein ist oder viele fehlerhafte Messwerte enthält. Klassische Statistik schlägt hier oft die komplexe KI. Moderne Deep-Learning-Modelle können ihr Potenzial erst ausspielen, wenn sie spezifisch auf den Anwendungsfall angepasst werden.
„Unsere Ergebnisse zeigen ganz klar: Den einen ‚Master-Algorithmus‘ für die Energiewirtschaft gibt es nicht. Insbesondere in der Industrie sehen wir, dass selbst fortgeschrittene Modelle an ihre Grenzen stoßen, wenn der Dateninput wenig informativ ist oder die für die Prognose wichtigen Einflussfaktoren falsch verarbeitet werden. Unser Ansatz geht daher über reines Benchmarking hinaus: Wir kombinieren die am besten geeigneten Modelle vom Markt mit einer tiefen Integration von Produktionsplänen, Kalenderdaten und Wetterprognosen. Nur so entstehen individuelle Lösungen, die robust genug sind, um die Energiekosten wirklich zu senken“, sagt Baur. Er ist Experte für Prognosen und einer der Autoren der Studie.
Entscheidend ist die Datenstruktur
Eine weitere Erkenntnis aus der Studie ist, dass sich der sogenannte Portfolio-Effekt, der aus der Fachliteratur bekannt ist, bei Industrielastprognosen bislang nicht bestätigt. Dieser Effekt besagt, dass Prognosen einfacher werden, je mehr einzelne Lasten zusammengefasst werden, da sich Schwankungen gegenseitig ausgleichen. Vereinfacht gesagt lässt sich der gesamte Stromverbrauch Deutschlands somit leichter vorhersagen als der Verbrauch einzelner Unternehmen. Die vorliegende Studie zeigt jedoch, dass die Unternehmensgröße und die damit verbundene große Zahl von Verbrauchern im industriellen Kontext nur einen geringen Einfluss auf die Genauigkeit der Prognose haben. „Die größere Datenbasis führt also kaum dazu, dass die Fehlerquote sinkt. Entscheidender ist die Struktur der Daten“, sagt Baur.
Von Standard‑Software zu individuellen Lösungen
Die Studienautoren des Fraunhofer IPA positionieren sich hier eindeutig gegen den Trend der „Commodity-AI“, also leicht verfügbare, hochgradig standardisierte Algorithmen. Während Standard-Software versucht, jedes Problem mit dem gleichen Schema zu lösen, integriert der Ansatz des Fraunhofer IPA spezifisches Wissen aus dem jeweiligen Unternehmen – wie etwa Schichtpläne oder die Produktionslogik – direkt in die Modellarchitektur.
Für Industrieunternehmen und Plattformanbieter bedeutet das: „Der Schlüssel zu präzisen Prognosen liegt nicht im blinden Vertrauen auf einen Super-Algorithmus, sondern in der neutralen Auswahl und sauberen Vorbereitung der Daten“, erklärt Baur. Er und die anderen Studienautoren vom Fraunhofer IPA nutzen diese Erkenntnisse, um Unternehmen technologieoffen zu unterstützen. Neben der reinen Modellevaluierung liegt ihr Fokus auf der Entwicklung individueller Lösungen, die externe Faktoren wie Wetter, Feiertage und Produktionsdaten standardisiert integrieren. So kann die Lücke zwischen theoretischer Machbarkeit und realer Kosteneinsparung geschlossen werden.
