Maschinelles Lernen Bringt Mehr Geld Für Betreiber Von Erneuerbaren Energien, Flotten Und Mikronetzen
Maschinelles Lernen Bringt Mehr Geld Für Betreiber Von Erneuerbaren Energien, Flotten Und Mikronetzen
Video: Maschinelles Lernen Bringt Mehr Geld Für Betreiber Von Erneuerbaren Energien, Flotten Und Mikronetzen
Video: Auf den Punkt. Bremst das reformierte EEG den Ausbau der erneuerbaren Energien? 2023, Februar
Anonim

Die Strommärkte werden immer anspruchsvoller. Nebenmärkte entstehen in mehreren Jurisdiktionen, der Stromhandel auf Kontinentalebene ist vielerorts die Norm, und Altanlagen versuchen, ihre Dumb-Grid-Ansätze zu optimieren, um besser mit modernen Smart Grids zusammenzuarbeiten. In diese sich entwickelnde und komplexe Mischung kommt das Potenzial von Machine-Learning-Ansätzen, um die steuerlichen Vorteile aus Erzeugungs- und Nachfragevermögen zu maximieren, wobei drei Unternehmen unterschiedliche Ansätze verfolgen. ENGIE, AMS und GridBeyond haben jeweils einen anderen Ansatz für diese Gelegenheit, aber alle verlassen sich auf maschinelles Lernen, um ihre Ziele zu erreichen.

Smart Grid-Grafik
Smart Grid-Grafik

Bild mit freundlicher Genehmigung des US National Energy Technology Laboratory

ENGIE ist ein französisches multinationales Energieunternehmen, dessen historische Wurzeln bis in die Suezkanalgesellschaft Mitte des 19. Jahrhunderts zurückreichen. Aber es hat eine sehr moderne Haltung zur Innovation, mit einem laufenden Programm offener Projektwettbewerbe für wichtige Fortschritte, die das Unternehmen in seinen Kerngeschäftsfeldern als notwendig erachtet. Es besitzt viele Energieanlagen und sucht ständig nach Wegen, seine Gewinne durch höhere Einnahmen oder geringere Kosten zu maximieren. Eine von ihr finanzierte Initiative besteht darin, modernste maschinelle Lerntechniken einzusetzen, um ihren Händlern einen Wettbewerbsvorteil zu verschaffen, indem sie die zukünftige Marktpreisentwicklung des deutschen Intraday-Strommarktes vorhersagen. Um sich einen Vorteil zu verschaffen, müssen Wetter-, Markt-, Regulierungs-, Netzüberlastungs-, Produktionsanlagen- und Kraftstoffpreisdaten integriert werden, eine sich ständig ändernde und herausfordernde Menge, die es zu verinnerlichen gilt.

„Anstatt ein einziges Modell für die Marktanalyse zu erstellen, bauen wir Tausende solcher Modelle gleichzeitig und weisen jedem von ihnen dynamisch einen spezifischen Einfluss auf die Vorhersage zu, abhängig von seiner Fähigkeit, Wissen aus aktuellen beobachtbaren Marktbedingungen zu extrahieren.“

Wie Thinking, Fast and Slow hervorhebt, zeigen Studien, dass nicht-institutionelle Trader schreckliche Entscheidungsträger sind. Es werden immer ausgefeiltere Computertechnologien und -modelle benötigt, um genauer und häufiger zu sein und weniger blind für Schlüsselereignisse zu sein, die in den Daten verborgen sein können. Diese Mischung ist ein gutes Ziel für die Fähigkeit, Signale von hohen Rauschvolumina zu unterscheiden, die Trainierbarkeit mit historischen Ergebnissen und das starre Auge neuronaler Netze. Und im Gegensatz zu Skynet ist dies für uns von Vorteil, da effiziente und profitable Strommärkte der Schlüssel zum schnellen Wachstum der erneuerbaren Energien sind.

Advanced Microgrid Systems (AMS) aus Kalifornien geht noch einen Schritt weiter. Es wurde 2013 gegründet und bietet mehrere Lösungen mit einem Schwerpunkt auf dem Batteriespeichermanagement für eine möglichst effektive Teilnahme sowohl an Demand-Management-Programmen als auch an der zeitarbitragierten Strombereitstellung. Es verwaltet 360 MWh Batteriespeicher, die meisten von allen Anbietern von Batteriesystemmanagement nach seinen Angaben, und das ist ein Wachstumsmarkt. Es verwaltet aber auch Erzeugungsanlagen sowie Speicheranlagen und integriert beide in den Markt. Das Unternehmen behauptet 90 % Umsatzsteigerung bei Batteriespeichern und bis zu 10 % Umsatzsteigerung bei Erzeugungsanlagen. Ein Schwerpunkt liegt auf virtualisierten Kraftwerken, einem aufkommenden Trend in mehreren Rechtsordnungen auf der ganzen Welt.

AMS verwendet maschinelles Lernen in seinem Marktvorhersagebereich und erkennt dort Muster in den riesigen Datenmengen. Andere analytische und algorithmische Techniken werden verwendet, um Entscheidungen zu treffen, aber die Erkenntnisse stammen aus den neuronalen Netzen, die sie unterhalten. Ein wichtiges Ziel von ihnen ist es, den Übergang zu einem erneuerbaren Stromnetz zu beschleunigen, und sein Teil besteht in verteilten erneuerbaren Erzeugungs- und Speicheranlagen.

In Australien erstellen sie alle fünf Minuten marktkonforme Gebote für den Nationalen Energiemarkt. In Kalifornien beschäftigen sie sich mit der Komplexität der ISO-Großhandelsmärkte der Bundesstaaten für Speicher. Da immer mehr erneuerbare Ressourcen in kommerziellen und Microgrid-Implementierungen auftauchen und Speichertechnologie das Verteilnetz durchdringt, wird das Wertversprechen von AMS steigen.

Auf dem Rückweg über den Atlantik finden wir GridBeyond, eine in Großbritannien ansässige Organisation. Der Fokus liegt auf intelligentem Demand-Side-Management und Storage. Es arbeitet mit Unternehmen in ganz Großbritannien zusammen, um verbrauchsintensive Anlagen wie Kälteanlagen zu identifizieren, die aus der Ferne verwaltet werden können, um die Nachfrage zu senken, wenn die Preissignale stimmen. Es bindet sie an sein Netzwerk aus aggregierten Bedarfsreduktions- und Speicherressourcen, um eine einheitliche Integration der britischen Versorgungsunternehmen zu ermöglichen.

„CentrePoint ist die cloudbasierte Plattform, die das Herzstück unserer Technologie bildet. Es ist das wahre Gehirn der Operation. CentrePoint sammelt Daten aus einer Reihe von Quellen, einschließlich Site-Assets, und verwendet maschinelle Lernalgorithmen, um dem Programm automatisch Flexibilität zu verleihen, die wahrscheinlich die besten Renditen generiert.“

Der fünfte Schritt in seinem fünfstufigen Prozess beinhaltet, dass seine Kunden sowohl weniger für Energie ausgeben als auch direkte Zahlungen aus der Beteiligung des Nachfragemanagements erhalten. Das Team verfügt über Erfahrung in rund 50 industriellen Teilsektoren, einschließlich des kommerziellen Strommanagements.

Interessant finde ich, dass das kürzlich erschienene große Whitepaper von Experten für maschinelles Lernen aus Nordamerika und Europa, Tackling Climate Change with Machine Learning, diese direkte Option zur Umsatzoptimierung nicht behandelt. Das Papier spricht von der Gestaltung neuer Märkte und der Optimierung von CO2-Märkten, aber nicht von Speicher- und erneuerbaren Erzeugungsanlagen, die Gewinne mit bestehenden Märkten maximieren. Dies scheint ein Versehen des Teams zu sein.

Initiativen für maschinelles Lernen entstehen in mehreren Märkten, in denen weniger irrationale Kräfte im Spiel sind als an der Börse. Rohstoff- und Energiemärkte haben klare Preistreiber, und aufstrebende Nebenmärkte wie das Nachfragemanagement bieten neue und oft komplexe Wege, um einen profitablen Vorsprung zu erzielen. Die riesigen Datenmengen, die in Day-Ahead- und kurzfristigen Märkten bewertet werden müssen, um effiziente Gebote abzugeben, übersteigen die meisten Menschen und sind in vielen Fällen mit herkömmlichen Computermodellen sehr schwer zu handhaben. Erwarten Sie in diesem Bereich viel mehr.

Beliebt nach Thema