Machine Learning in der Energiebranche

von | 22. Februar 2018 | Grundlagen

Machine Learning in der Energiebranche – Das Stromnetz ist eine der größten jemals gebauten Maschinen. Die Konstruktion, der Betrieb und die Instandhaltung aller einzelnen Elemente sind technologische Meisterleistungen. Die Komplexität des Stromnetzes ist enorm – die einfache Tatsache, dass immer Strom aus der Steckdose kommt, ist keine Selbstverständlichkeit.

Insbesondere seit der zunehmenden Umstellung auf erneuerbare Energien und auch durch die Elektrifizierung von immer mehr Bereichen, steigen auch die Herausforderungen, um das Stromnetzweiter stabil zu betreiben. Machine-Learning-Methoden können nicht nur dabei helfen, diese Herausforderungen zu meistern, sondern sie können in zahlreichen Bereichen die Energiebranche transformieren.

YouTube

By loading the video you accept YouTube’s privacy policy.
Learn more

load Video

Das Stromnetz aus der Perspektive eines Ingenieurs: Alles Wissenswerte über die größte Maschine der Welt.

Predictive Maintenance bei Windturbinen

Predictive Maintenance entwickelte sich in den letzten Jahren zu einem der neuen Standards in der Industrie 4.0. Auch viele der europäischen Energieversorger verfolgen das Ziel, den möglichen Ausfall beispielsweise von Windturbinen durch präventive Maßnahmen zu verhindern. Dabei verfolgen die Strategien meistens einen doppelten Zweck. Zum einen, die Reparaturkosten zu senken und zum anderen die Bereitstellungssicherheit uneingeschränkt gewährleisten zu können.

Die spezifischen Lösungen können dabei sehr unterschiedlich aussehen. Für einen unserer Kunden aus der Energiebranche haben wir darum  einen Hackathon durchgeführt. Dies stellt eine sehr gute Möglichkeit dar, um den konkreten Use Case zu analysieren und bereits erste Lösungsansätze bzw. Prototypen zu entwickeln.

Im Ergebnis wurden die bereits vorhandene Infrastruktur und die Betriebsdaten genutzt, um diese mit Machine-Learning-Algorithmen zu analysieren bzw. auf die Vorhersage von Getriebeausfällen zu trainieren. Dazu war es zudem nötig, die Experten vor Ort in statistischer Modellierung und Machine Learning zu schulen.

Durch die Schulung der Experten in Methoden zur Datenanalyse konnten sie innerhalb des Unternehmens schnellere und verbesserte Analysen umsetzen. Der Kunde erhielt zudem eine umfangreiche Liste an technischen und organisatorischen Empfehlungen, um die Erfolgsaussichten des Einsatzes von Predictive Maintenance bei Windturbinen zu verbessern.

Linktipp: Erfahren Sie mehr über Predictive Maintenance in unserem kostenlosen Whitepaper.

Instandhaltung von Kraftwerksanlagen

Einzelne Use Cases wie dieser stellen aber meist nur den Anfang einer umfangreichen Data Strategy dar. Kraftwerkanlagen sind nicht nur sehr komplexe Gebilde, sondern mit einem extremen Investitionsaufwand verbunden. Darum sind sie auf eine möglichst lange Einsatzdauer angewiesen, um rentabel zu sein. Energieversorgungsunternehmen, welche die Instandhaltungskosten ihrer Anlagen reduzieren möchten, setzen darum immer häufiger auf datengetriebene und zustandsorientierte Instandhaltungsplanung. Machine Learning nimmt in solchen Instandhaltungsplänen eine wichtige Rolle ein.

Die Instandhaltungsmaßnahmen orientieren sich am aktuellen Zustand der Anlagen und haben zum Ziel, deren Verfügbarkeit sicherzustellen und die Effizienz zu erhöhen. Durch die intensive Nutzung sind Verschleißerscheinungen an der Tagesordnung, sodass ein permanentes Monitoring nötig ist.

Die Entscheidungen, wann welcher Bestandteil gewartet, modernisiert oder repariert wird, ist immer in Abhängigkeit der Wirtschaftlichkeit der gesamten Anlage und der Versorgungssicherheit zu treffen. Der Einsatz von Machine-Learning-Algorithmen führt dazu, dass diese Entscheidungen auf einer verlässlichen, datenbasierten Grundlage getroffen werden. Gleichzeitig ist es dadurch möglich, einzelne Prozesse besser zu verstehen und so Optimierungspotenzial zu erkennen.

Visualisierung von Stromverbräuchen

Aber nicht nur die Stromerzeugung, sondern auch die bestmögliche Versorgung der Kunden ist ein zentrales Anliegen auf dem Energiemarkt. Energiedienstleister können ihre Aufgabe umso besser bewältigen, je besser sie das Verbrauchsverhalten ihrer Kunden verstehen. Für einen namhaften Energiedienstleister sollten wir darum Transparenz in die Verbrauchsdaten seiner Kunden bringen, um ein Benchmark für den Vertrieb und das Marketing zu erhalten.

In diesem Rahmen sollten auch die Stromverbräuche von bestimmten Nutzungsarten wie beispielsweise die von Hotels, Supermärkten oder Schulen analysiert und charakterisiert werden. Weiterhin wollte er wissen, welche seiner Kunden möglicherweise zu anderen Anbietern abwandern, um aktiv gegensteuern zu können.

Die Lösung sah zunächst die Ermittlung der Stromverbräuche der einzelnen Kundensegmente auf Jahresebene vor. In diesem Zuge ließ sich auch die Entwicklung des Stromverbrauchs einzelner Kundengruppen über die Jahre in Zusammenhang mit der Kundenabwanderung darstellen.

Die gesamten Stromverbräuche wurden zusätzlich mit Gebäudeinformationen wie Erstellungsjahr, Grundfläche, Geschosszahl und Nutzungsart angereichert. Bei der Analyse der vorhandenen Nutzungsdaten wurden unter anderem auch Machine-Learning-Algorithmen eingesetzt, um Verbrauchsmuster zu erkennen. Am Ende des Lösungsprozesses stand die Konzeption und Realisierung eines Visualisierungstools für den Vertrieb und das Marketing.

Das Potential von Machine Learning in der Energiebranche

Das Spektrum an Einsatzmöglichkeiten von Machine Learning in der Energiebranche ist groß. Angefangen bei industriellen Kontexten über die Vorhersage von zukünftigen Verbräuchen bis hin zur Gestaltung der Customer Journey. Der Einsatz von Machine Learning bietet sich also insbesondere in einem so komplexen und vielseitigen Umfeld wie der Energiebranche an. Dabei lassen sich drei Kernbereiche, in denen Machine Learning in der Energiebranche enorme Verbesserungen bringen kann, identifizieren:

  • Steigerung der Zuverlässigkeit von mechanischen Bauteilen
  • Beherrschung der steigenden Komplexität
  • Senkung der Life-Cycle-Kosten großer Anlagen

Die Herausforderungen im gesamten Energiesektor steigen in den kommenden Jahren zunehmend an. Machine-Learning-Methoden können in diesem Zusammenhang dafür sorgen, den dauerhaften Einsatz aller Bestandteile des Stromnetzes zu garantieren. Machine Learning in der Energiebranche trägt so nicht nur dazu bei, dass Strafzahlungen möglichst ausgeschlossen werden, sondern dass auch in Zukunft die Versorgungssicherheit dauerhaft sichergestellt werden kann.

Autor:innen

Michaela Tiedemann

Michaela Tiedemann ist seit den jungen Startup Tagen der Alexander Thamm GmbH mit im Team. Sie hat die Entwicklung vom schnelllebigen, spontanen Startup hin zum erfolgreichen Unternehmen aktiv mitgestaltet. Mit der Gründung einer eigenen Familie begann für Michaela Tiedemann dann parallel dazu ein ganz neues Kapitel. Den Job an den Nagel zu hängen, kam für die frisch gebackene Mutter aber nicht in Frage. Stattdessen entwickelte sie eine Strategie, wie sie ihre Stelle als Chief Marketing Officer mit ihrer Rolle als Mutter in Einklang bringen kann.

0 Kommentare