Ausgeglichenes Netzkonto durch optimierte SLP-Allokation.

Eine hohe Qualität der Prognose des Verbrauchs von SLP-Kunden ist ein wesentlicher Beitrag zu einer ausgeglichenen Bilanzierung und zur Vermeidung vorzeitiger Abrechnungen. Einen großen Effekt auf die Qualität der SLP-Prognose hat die Wahl der richtigen Allokationstemperatur. Wir stellen dafür die durch die vantago GmbH entwickelte, netzspezifische Gasprognosetemperatur vor. Ihr Einsatz ermöglicht in der SLP-Allokation eine Verbesserung der Genauigkeit in der täglichen Prognose um ca. 50% gegenüber dem Standardverfahren, während gleichzeitig eine Steigerung der Genauigkeit in der jährlichen Bilanzierung um bis zu 80% erzielt werden kann.

2 X

Bessere SLP-Allokationsgenauigkeit

80%

Reduzierung der Beträge in MMMA

Der Weg zur vantago-Gasprognosetemperatur

Herausforderungen

• Starke Abweichungen zwischen Prognose und Verbrauch

• Vermeidung von Ausreißern und großer Volatilität in Bilanzierung

Aufgaben

• Verbrauchsprognose für SLP-Kunden

• Bilanzierung im Netzkonto

Lösung

Nutzung der vantago-Gasprognosetemperatur

Effekte

• Ausgeglichene Bilanzierung

• Planungssicherheit in der Beschaffung

• Nahezu Ausschluss von vorzeitigen Abrechnungen und Pönalstrafen

• Vermeidung von Zinsverlust

• Optimierte Nutzung netzinterner Speicher

• Verringerter Regelenergiebedarf

• Unabhängigkeit von nachträglicher Bepreisung für Ausgleichsenergie

• Vermeidung von Veröffentlichungen

Vorteile der vantago Gasprognosetemperatur

  • Tägliche Prognose

    Verbesserung der Genauigkeit um 50%

  • Mehr-/Mindermengenabrechung

    Reduktion der Beträge um 80%

  • Vorzeitige Abrechnungen

    Verminderung um nahezu 100%

  • Unterallokation

    Vermeidung systematischer Unterallokation an kalten Tagen

  • Überallokation

    Vermeidung systematischer Überallokation an warmen Tagen

Steigerung der Güte

Bilanzierung Netzkonto

Nachteile bei Allokation mit geometrischer Prognosetemperatur:
  • Hohe Volatilität im Netzkonto
  • Ausgeprägter Drift
  • Systematische Unterallokation an kalten Tagen
  • Systematische Überallokation an warmen Tagen

Quartalsabweichung

Nachteile bei Allokation mit geometrischer Prognosetemperatur:
  • Hohe Beträge in Mehr-Mindermengen-Abrechnung durch Kumulation systematischer Fehler im Allokationsverfahren
  • Hohe Unsicherheit in mittel- und langfristiger Liquiditätsplanung

Steigerung der Genauigkeit in der täglichen Prognose

Nachteile bei Allokation mit geometrischer Prognosetemperatur:
  • Erhöhtes Risiko vorzeitiger Abrechnungen
  • Schlechte Vorhersagequalität während des Wechsels der Heizperiode
  • Systematische Fehlallokation durch unzureichende Anpassung der synthetischen Lastprofile auf das Gebiet

Optimierungsfunktion

Funktionsweise der netzspezifischen vantago-Gasprognosetemperatur

Die von der vantago GmbH entwickelte netzspezifische Gasprognosetemperatur basiert auf einem verborgenen Markowmodell (HMM) und auf Nutzung von Methoden des maschinellen Lernens. Die hohe Prognosequalität wird durch Berücksichtigung verbrauchs- und witterungsspezifische Charakteristiken sowie durch eine dynamische Anpassung an sich ändernde Netzeigenschaften erreicht.
Der zugrundeliegende Algorithmus hat drei wesentliche Bestandteile:

  • Erlernen eines Urmodells des HMM aus einer Reihe von initialen Beobachtungsdaten der Vergangenheit
  • Erstellung eines Prognosealgorithmus auf Basis des Urmodells
  • Implementation selbstlernender Methoden im Algorithmus zur Berücksichtigung dynamischer Entwicklung der Netzcharakteristik

Quantitative Ergebnisse

Quantifizierungsmaß Vergleichsgröße Formel Verbesserung
gegenüber
Standard
Standardabweichung relative Tagesabweichung \(s_{\Delta q}\) bis zu 50 %
Standardabweichung kumulierte Quartalsabweichung \(s_{\Delta J^\text{Quartal}}\) bis zu 80%
Mittelwert absolute kumulierte Quartalsabweichung \(\overline{\left|\Delta J^{\text{Quartal}}\right|}\) bis zu 80%

Formeln

Formelzeichen Bedeutung
\(Q(D, \vartheta)\) Allokierte Tagsmenge am Tag \(D\) fuer Allokationstemperatur \(\vartheta\)
\(Q^\vartheta_D = Q_\text{Basis}(D, \vartheta)\) Basisallokation im Netzgebiet
\(R_D\) Restlast am Tag \(D\)
\(\Delta Q^\vartheta_D = R_D – Q^\vartheta_D\) Tagesabweichung am Tag \(D\)
\(\Delta q^\vartheta_D = \frac{\Delta Q^\vartheta_D}{Q^\vartheta_D}\) relative Tagesabweichung am Tag \(D\)
\({\Delta J}^\text{Quartal}_{\mathfrak{Q}}=\sum\limits_{D \in {\mathfrak{Q}}} {{\Delta Q}_D^\vartheta.} \) ueber das Quartal \(\mathfrak{Q}\) kumulierte Tagesabweichung
\(\left|{\Delta J}^\text{Quartal}_{\mathfrak{Q}}\right|\) Betrag der ueber das Quartal \(\mathfrak{Q}\) kumulierte Tagesabweichung

Literatur

P. Schemel und F. Montenegro, ,,Optimierte Gasprognosetemperatur und der Nutzen für eine ausgeglichene Bilanzierung“, gwf Gas + Energie, 2019

BDEW, VKU, GEODE, „BDEW/VKU/GEODE-Leitfaden Abwicklung von Standardlasprofilen Gas“, Berlin, 2018.

M. Hellwig, „Entwicklung und Anwendung parametrisierter Standard-Lastprofile“, TU München, 2003.

Ihr Ansprechpartner

Dr. Peter Schemel
Leitung Data Science und
Artificial Intelligence

datascience@vantago.com

Mobil: +49 (0) 151 744 011 86

vantago GmbH

Sie haben Interesse an weiteren vantago-Produkten und Dienstleistungen? Dann besuchen Sie uns auf unsere Homepage!