Gebäude-Energie-Management-Systemen (GEMS) tragen dazu bei die steigende Anzahl fluktuierender Erzeuger (z.B. PV Anlagen) sowie elektrischer Lasten (z.B. Elektrofahrzeuge) in das Verteilnetz zu integrieren. Für den optimalen Betrieb von GEMS ist eine genaue Prognose von Erzeugungsanlagen sowie Lasten notwendig. Bisher verwendete Standardlastprofile können den Verbrauch gut abbilden, wenn ausreichend Verbraucher vorhanden sind und diese keine Flexibilität nutzen. Diese Lastabschätzung ist aktuell allerdings kaum in der Lage, Prognosen für wenige Verbraucher bzw. für Verbraucher mit Flexibilitäten wie Batteriespeichern abzubilden. Daher wird im Rahmen dieses Teilvorhabens ein adaptives Prognosewerkzeug entwickelt, das abhängig von den verfügbaren Daten die bestmögliche Verbrauchs- und Erzeugungsprognose liefert. Dieses Teilvorhaben stellt sicher, dass Prognosen mit hoher Verfügbarkeit und Skalierbarkeit bereitgestellt werden, was letztlich zu einer stabileren und nachhaltigeren Energieversorgung führt. Dazu werden verschiedene Prognoseverfahren und deren Kombination, z.B. klassische statistische Methoden, Regressionsmethoden, Machine-learning-Verfahren aber auch neuartigen Entwicklungen wie Pretrained Transformer Modelle erprobt und evaluiert. Insbesondere soll in Zusammenarbeit mit den Projektpartnern der Einfluss des jeweiligen Prognoseverfahren auf den Betrieb der im Projekt entwickelten GEMS evaluiert werden.
Die Verteilung von Energie in elektrischen Netzen unterliegt der Herausforderung eines vorausschauenden Engpassmanagements, um einerseits Abregelungen von erneuerbaren Energien zu minimieren und andererseits Mehrkosten für eine systemstabilisierende Kraftwerkseinsatzplanung (Redispatch) gering zu halten. Prognosen für zukünftige Betriebszustände sind zur optimierten Betriebsführung unverzichtbar und Grundlage der Redispatchprozesse. Dabei kommt es nicht nur auf die Prognosegüte an, sondern auch auf das Wissen um die Unsicherheit der Prognose. Probleme in der Praxis entstehen, wenn Extremereignisse (v.a. hohe Einspeisung) unerwartet auftreten, Schalthandlungen die Netztopologie und damit die Zuordnung von Netzteilnehmern in den Netzabschnitten ändern oder Kurzfriständerungen nicht in die Zustandsschätzungen einbezogen werden. Eine Steigerung von Robustheit und Vertrauenswürdigkeit der Prognosen in Verbindung mit zusätzlicher Information über situative Unsicherheiten der Prognosen verbessern die Einschätzung zukünftiger Netzauslastungen und tragen zu einem sicheren und kostenoptimierten Netzbetrieb bei. Künstliche Intelligenz könnte helfen, um durch automatisierte Mustererkennung und -bewertung sowohl zu einer höheren Prognosegüte als auch einer besseren Einschätzung der Prognoseunsicherheit zu gelangen. Im Teilvorhaben der EWE NETZ sollen die Anforderungen an unsicherheitsbehaftete Engpassprognosen für den operativen Betrieb von Verteilnetzen geschärft werden. Während Konzepte erstellt werden, um Unsicherheiten von Engpassprognosen in die Prozesse der hochautomatisierten Netzführung gewinnbringend zu integrieren, sollen gleichzeitig die Ursachen und Zeitpunkte systemkritischer Prognosefehler gefunden und dokumentiert werden. Im Weiteren sollen optimierte Prognosemethoden an Anwendungsbeispielen bei EWE NETZ verprobt und analysiert werden. Zudem soll die Anwendbarkeit der Methoden auf eine präventive Engpasserkennung in der Niederspannung untersucht werden.
Aus modernsten Mikroprozessorbausteinen wurde ein preiswertes, kompaktes Geraet zur Datenerfassung und Datenspeicherung im Freiland entwickelt, das batteriebetrieben unter mitteleuropaeischen Witterungsbedingungen sehr stoerungsarm mit einer bisherigen Ausfallquote von nur 2 Prozent arbeitet. An das Geraet sind maximal 18 Messfuehler anschliessbar. Die Messwerte werden in waehlbaren Abstaenden in einem Speicherbaustein (Eprom) abgelegt, der am Einsatzort des Geraetes leicht auszuwechseln ist. Die Messdaten koennen mit Hilfe eines einfachen Lesegeraetes in jeden Rechner uebertragen werden. Der frei programmierbare Mikroprozessor des Geraetes kann seinerseits bereits im Feld weitere Aufgaben ausfuehren. Im vorliegenden Fall berechnet er aus den gemessenen Daten fuer die Lufttemperatur, die relative Luftfeuchtigkeit und die Blattbenetzung mit Hilfe von mathematischen Modellen die Entwickung von Schadpilzen in Weizen-, Kartoffel- und Apfelkulturen. So erhaelt der Landwirt ein Warngeraet, das ihm anzeigt, ob eine chemische Bekaempfungsmassnahme gegen den betreffenden Schadpilz erforderlich ist, um wirtschaftlichen Schaden abzuwenden.