Anwendung von Maschinellem Lernen und statistischer Verfahren zur Prognose von Energiedaten in Python

Abstract

Im Kontext ständig wechselnder Umwelteinflüsse streben viele Unternehmen eine kontinuierliche Optimierung ihrer Produktion und ihres Energieverbrauchs an. Diese Studie untersucht die indirekten Auswirkungen auf die Kostenreduzierung beim Strombezug von gewerblichen Kunden, die ihren Verbrauch alle 15 Minuten angeben müssen. Dabei wird auf maschinelles Lernen zurückgegriffen, um den präzisen Strombedarf vorherzusagen. Zwei Modelle, Prophet und SARIMA, werden eingehend analysiert und anhand historischer Daten miteinander verglichen. Das Hauptziel besteht darin zu evaluieren, ob Prophet und SARIMA geeignet sind, um genaue Prognosen bezüglich des Energieverbrauchs zu erstellen. Die verwendeten Daten stammen von der Informationsplattform SMARD der Bundesnetzagentur für den deutschen Strommarkt. Diese Untersuchung bietet wertvolle Einblicke in die Wirksamkeit verschiedener Prognosemodelle für den Energieverbrauch von Unternehmen und kann somit einen Beitrag zur Effizienzsteigerung und Kosteneinsparung in der Industrie leisten. Dabei weisen die besten Modelle eine Genauigkeit in der Neujahrsnacht von 2022 eine für zwei Stunden, eine Abweichung von SARIMA = 3,04% und Prophet = 0,57% auf.

In the context of constantly changing environmental influences, many companies strive for continuous optimization of their production and energy consumption. This study examines the indirect effects on cost reduction in electricity procurement for commercial customers who must report their consumption every 15 minutes. Machine learning is used to predict precise electricity demand. Two models, Prophet and SARIMA, are thoroughly analyzed and compared using historical data. The main goal is to evaluate whether Prophet and SARIMA are suitable for creating accurate forecasts of energy consumption. The data used comes from the information platform SMARD of the Federal Network Agency for the German electricity market. This study provides valuable insights into the effectiveness of various forecast models for business energy consumption and can thus contribute to efficiency improvement and cost savings in the industry. The best models show an accuracy in predicting energy consumption for the New Year’s Eve of 2022 within two hours, with a deviation of SARIMA = 3.04 % and Prophet = 0.57%.