Anwendungsfälle des unsupervised machine learning in der Energiewirtschaft

Grundsätzlich sind die Anwendungsfälle von Unsupervised-Learning-Algorithmen sehr vielfältig. Sie dienen insbesondere dazu, Muster und Gesetzmäßigkeiten innerhalb eines Datensatzes zu identifizieren oder diesen zu vereinfachen. Eine Auswahl wird nachfolgend dargestellt:

  1. Durch die Identifikation ähnlicher Datenpunkte (Clustering) und deren Zusammenfassung in Cluster (Clustering) kommen verschiedene Anwendungsfälle innerhalb der Energiewirtschaft in Betracht.
    1. Vertrieb: Kundengruppen (z. B. mit Energiemenge, Tarif, Vertragsdauer) oder der Markt können segmentiert werden. So können Personas gebildet, diese mit individuelleren Marketing-Strategien angesprochen oder durch spezifische Maßnahmen an ein Unternehmen gebunden werden.
    2. Netz: Ähnliche (Netz-)Regionen können identifiziert und z. B. mit verschiedenen Strategien instandgehalten oder Regionen innerhalb eines Clusters besser verglichen werden. Auch für die Bildung repräsentativer Typnetze ist dies im Netzbetrieb einsetzbar (siehe www.ffe.de/mona).
    3. Regulierung: Durch unsupervised learning können Netzbetreiber in vergleichbare Gruppen unterteilt und so gezielter reguliert werden.
    4. Verbraucher: Durch die Erfassung von Lastgängen mittels Smart Metering können Letztverbraucher (und Erzeuger) in Cluster unterteilt und für diese individuellere Standardlastprofile abgeleitet werden. Dies optimiert die Verbrauchsprognose und verbessert so z. B. das Bilanzkreismanagement.
  2. Clustering ermöglicht es auch, Ausreißer zu identifizieren. Dabei handelt es sich um Datenpunkte, die keine Ähnlichkeit zu anderen Datenpunkten aufweisen.
    1. Netz und Erzeugung: Unsupervised Learning kann die Identifikation fehlerhafter oder sich untypisch verhaltende Assets, wie z.B. die Identifikation von ungewöhnlichen Mustern im Brennverhalten von Turbinen oder der Netzspannung in Umspannwerken/Transformatoren erleichtern. Mit detaillierteren Informationen zum Energieverbrauch (mittels Smart Meter) ist es auch möglich, untypischen Strom-/Gas-/Wärme- oder Wasserverbrauch zu identifizieren, um mögliche Schäden, ineffiziente Geräte oder Diebstahl zu detektieren.
    2. Regulierung: Die Analyse von Geboten auf Strom-, Öl- oder Gasbörsen, aber auch Flexibilitätsmärkten (siehe ffe.de/alf) ermöglicht es schnell, Marktmissbrauch zu erkennen. Auch die Kostenprüfung in der Anreizregulierung (Strom/Gas) kann so vereinfacht werden, da nur noch untypische Kostenpositionen geprüft werden müssen.
    3. Allgemein: im Netzwerk-Traffic eines Unternehmens könnten z. B. Schadprogramme oder unerwünschte Zugriffe erkannt werden – gleiches gilt für die Lastgänge in Strom- und Gasnetzen.
  3. Die Identifikation ähnlicher Datenpunkte eines Datensatzes ermöglicht es, das Verständnis für unbekannte Datensätze zu erhöhen und unbekannte Zusammenhänge, Muster und Gesetzmäßigkeiten zu erkennen.
  4. Unsupervised learning umfasst auch die Dimensionsreduktion komplexer Datensätze. Dies ermöglicht eine Visualisierung von hochdimensionalen Datensätzen im 2D oder 3D, um deren lokale und globale Form zu erkennen.
  5. Das Bilden von Clustern ermöglicht es, die Komplexität z.B. von Rechenmodellen zu verringern, indem nur noch ausgewählte Repräsentanten von Clustern berechnet werden, nicht jedoch der ganze Datensatz.

Mittels unsupervised learning können auch Label für späteres supervised learning erstellt werden. Dies ermöglicht eine schnelle Zuordnung neuer Datenpunkte zu bereits vorhandenen Clustern. Die Anwendungen sowie einzelne Algorithmen werden im nächsten Beitrag vorgestellt.

Weitere Informationen:

 

Um unsere Webseite für Sie optimal zu gestalten verwenden wir Cookies. Durch die weitere Nutzung der Webseite stimmen Sie der Verwendung von Cookies zu.
Weitere Informationen zu Cookies erhalten Sie in unserer Datenschutzerklärung.