Lastganganalyse Energiewirtschaft

In der Energiewirtschaft bauen Versorger ihre Dienstleistungen für Gewerbe- und Industriekunden zunehmend aus, um sich durch engere Kundenbindung einen Wettbewerbsvorteil zu sichern. Eine Möglichkeit ist die detaillierte Analyse des Abnahmeverhaltens von Großkunden, sogenannter RLM-Lastgänge. 

Mit modernsten analytischen Verfahren Künstlicher Intelligenz gezielt Beratungspotential unter tausenden von RLM-Lastgängen automatisiert zu erkennen, war die Projekt-Aufgabe von Kolumbus und unserem Data Science Lab.

Der Kunde

Kolumbus ist eine Innovationsplattform von drei Unternehmen aus dem Herzen des Ruhrgebietes. Dahinter stehen DEW21 aus Dortmund, Gelsenwasser aus Gelsenkirchen und die Stadtwerke Bochum. Hinter Kolumbus stehen damit zusammengenommen etwa 2,9 Mrd. € Umsatz und 3.500 Mitarbeiter*innen.

Neben technologie-getriebenen Projekten wie Maschinelles Lernen, Automatisierungsthemen wie Robotic Process Automation und 3D-Druck steht bei Kolumbus die Entwicklung digitaler Geschäftsmodelle im Vordergrund.

Kolumbus

Das Projekt

Im Rahmen eines breit angelegten Projektes mit den drei Mutterhäusern der Kolumbus wurden mit über 60 Teilnehmer*innen Ideen und Anwendungsfälle aus den einzelnen Fachbereichen entwickelt, wie Maschinelles Lernen und moderne analytische Verfahren im Tagesgeschäft der Energieversorger genutzt werden können. So kamen über 100 Ideen zusammen, die dann sortiert und priorisiert wurden.

team neusta bringt hier die jahrelange Erfahrung aus zahlreichen Data Science Projekten ein. Gemeinsam mit dem neusta Data Science Lab konnten so die passenden Use Cases identifiziert werden, deren Umsetzung möglichst schnell den größten Nutzen für die Fachabteilung erzeugen.

Die Unterstützung der Energieeffizienzberatung von Großkunden ist eine der Herausforderungen, bei der neusta gemeinsam mit der Fachabteilung die Lösung entwickelt hat.

Bisher war die Analyse von Lastgängen, die zur Effizienzberatung von Kunden im Vertrieb genutzt werden, ein manueller Prozess, bei dem jeder zu analysierende Lastgang einzeln ausgewertet wurde. Um weiteres Beratungspotential bei Kunden zu erkennen, bedarf es einer automatisierten Analyse, die unter tausenden von Lastgängen jene findet, die das höchste Beratungspotential aufweisen.

Die Lösung

Mit dem Einsatz von Machine Learning wurden die Kunden-Lastgänge geclustert und analysiert, um Muster und Anomalien erkennen zu können. Die Analyse von Lastspitzen und konkrete Einsparpotentiale durch individualisierte Netzentgelte wurden dargestellt und erste Ergebnisse konnten dabei schon nach wenigen Projekttagen von der Fachabteilung in der Beratung genutzt werden.

Vergleich Lastgang Energie
Exemplarischer Vergleich Lastgang

Die Auswertung läuft jetzt schon automatisiert und die Datenverarbeitung findet über alle Lastgänge parallel statt. So liegen z.B. Bewertungen für individuelle Netzentgelte quasi auf Knopfdruck vor. Weitere Erkenntnisse aus der Lastganganalyse wurden aufbereitet und werden nun in das Tagesgeschäft integriert. Hier markiert das Projekt sicherlich erst den Anfang. Neue Analysen und Verfahren werden sukzessive erarbeitet.

Nachdem die Lastgänge in ein System zur automatisierten Analyse übernommen wurden, ist eine Plattform entstanden, die auf viele weitere Abteilungen und Anwendungsfälle übertragbar ist. Weitere Einsatzmöglichkeiten wie z.B. die Unterstützung von Prognosen für die Beschaffung, aber auch völlig neue Anwendungsfälle werden identifiziert und in Workshops der Fachabteilungen und dem Data Science ausgearbeitet und sukzessive zur Verfügung gestellt.

Fazit

Die Möglichkeiten modernster Analyseverfahren und des Maschinellen Lernens können sehr schnell das Tagesgeschäft der energiewirtschaftlichen Fachabteilungen unterstützen. Aber auch über den eigentlichen Projektauftrag hinaus sind Türen für den Einsatz moderner Datenanalyse und Künstlicher Intelligenz in energiewirtschaftlichen Unternehmen aufgestoßen worden.

Das Projekt war ein voller Erfolg. Die problemorientierte Herangehensweise war genau richtig. Wir haben viel gelernt. Unseren Häusern haben wir empfohlen sich nun strategisch zu dem Thema aufzustellen und weiterhin den Weg der "kleinen Schritte" zu gehen - dabei aber durchaus groß zu denken (v.a. hinsichtlich der notwendigen IT-Infrastruktur).

Sebastian Seitz auf https://kolumbus.ruhr/blog/artikel/projekt-maschinelles-lernen-abgeschlossen:223

Ihr Ansprechpartner

Uli Schulze-Eyßing

Der erfahrene Management Consultant berät in der Umsetzung von IT-Projekten insbesondere im Hochtechnologiebereich. Schwerpunkte sind dabei das Coaching von Development-Teams sowie die Unterstützung der Schnittstelle zwischen fachlicher Anforderung und technologischer Umsetzung.

Scroll to Top