• GASROGNOSETEMPERATUR FÜR OPTIMIERTE SLP-ALLOKATION

    Einsatz moderner KI-Methoden im synthetischen
    Lastprofilverfahren zur Sicherstellung einer
    ausgeglichenen Bilanzierung.

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.

2x

bessere SLP-Allokationsgenauigkeit

80%

Reduzierung der Beträge in MMMA

Der Weg zur vantago Gasprognose

Datenimport

  • CSV- oder Excel-Daten aus mindestens 3 Jahren
  • Anonymisierte Stammdatenzeitreihen (Profilzuordnung, kumulierte Kundenwerte, Feiertage)
  • Netzeinspeisung, RLM-Ausspeisung, gemessene Temperatur, Temperaturprognose
  • Genutzte Wetterstation
  • Ihre SLP-Allokation zur Plausibilisierung

Optimierung

  • Überprüfung und Optimierung der Stammdatenqualität
  • Optimierung von Profilzuordnungen
  • Bilanzierung
  • Check auf Einhaltung von Regulierungsvorschriften
  • Monitoring Ihres Netzkontos
  • Überprüfung auf Netzschiefstände

Monitoring

  • Simulation für 1 Jahr und eine Kurzanalyse des Verbesserungspotentials durch Einsatz der vantago-Gasprognosetemperatur.
  • Sie erhalten Zugriff auf die vantago Prognosesoftware zur Darstellung Ihres Netzkontos. Mit anschaulichen Vor- und Nachher Vergleichen und csv Exportfunktionen zu vollumfänglichen Präsentationszwecken.

Vorteile der vantago-Gasprognosetemperatur

1
2
1

Ausgeglichenes Netzkonto

2

Gasprognose wirkt langfristig. Nur 5% Abweichung. Steigerung um 70%

Zusammenfassung

+ Bis zu 50% Verbesserung der Genauigkeit in der täglichen Prognose

+ Bis zu 80% Reduktion der Beträge in der Mehr-/Mindermengenabrechung

+ Nahezu Ausschluss von vorzeitigen Abrechnungen

+ Vermeidung systematischer Unterallokation an kalten Tagen

+ Vermeidung systematischer Überallokation an warmen Tagen

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

Steigerung der Genauigkeit in der täglichen Prognose

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 Vergleichsgroesse Formel Verbesserung
gegenueber
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

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

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

[3] P. Schemel und F. Montenegro, „Nutzung der Gasprognosetemperatur für eine ausgeglichene Bilanzierung“, Ratingen, 2019.

Kontaktieren Sie uns direkt.

Sende uns eine E-Mail