Kachel des Monats: (Energie-)Prognosen

Treffsichere Prognosen über den zukünftigen Energie- und Ressourcenbedarf sind in Unternehmen mit hohen Energiekosten absolut zwingend. Nur wenn bekannt ist, wie viel Energie wann benötigt wird, kann zu vorteilhafteren Preisen gekauft, die Verhandlungsposition gegenüber dem Versorger verbessert oder Verbrauchsprozesse optimal gesteuert werden.

 

 

 

 

 

Mit spezialisierten Prognose-Tools unterstützen wir unsere Kunden bei diesem Thema. Grundsätzlich unterscheiden wir zwischen drei verschiedenen Ansätzen, die sich teilweise überlappen und je nach Anforderung auch gemeinsam verwendet werden können.

Trendanalyse

Auf Basis von vergangenen Verbräuchen wird ein linearer Verbrauchstrend für die Zukunft errechnet. Wie viele und welche historischen Werte herangezogen werden, kann der Anwender selbstverständlich frei definieren. Zur Überprüfung der Trends gegenüber einem Sollverbrauch, lassen sich diese Trendanalysen auch mit Überwachungen versehen.

Forecasts

Das zweite Modell baut auf Basis der Medienverbräuche eines vergangenen Zeitraumes ein Prognosemodell auf, das sich auf Vorgaben (z.B. Reduktion um x%) sützt und die Vergangenheitswerte durch beeinflussende Faktoren (z.B. Temperatur) normiert. Für die Ermittlung des zukünftigen Verbrauchs wird der normierte Vergangenheitsverbrauch mit der geplanten Mengenänderung beaufschlagt oder reduziert und mit den erwarteten, beeinflussenden Faktoren verrechnet. Zur Kontrolle der Prognose werden die IST-Werte, sobald sie vorliegen, automatisch gegen die Prognose gespiegelt und Abweichungen automatisch gemeldet. Treten regelmäßig unerklärbare Abweichungen auf, können die Prognosefunktionen automatisch neu berechnet und damit geschärft werden

Regressionsprognosen

Die Regressionsprognosen errechnen den zukünftigen Verbrauch auf Basis beeinflussender Kernparameter. Diese Parameter wie zum Beispiel Außentemperatur, Nutzungsintensität, Produktionsplanung oder Laufzeiten werden einer gemessenen Energiemenge gegenübergestellt. Daraus werden mit Hilfe von Regressionsfunktionen die mathematischen Zusammenhänge in einer Formel dargestellt. Die Prognose wird über mehrere Perioden angelernt und geschärft, bis sie so stabil ist, dass sie aufgrund geschätzter oder geplanter Parameter den Energiebedarf verlässlich prognostizieren kann. Um Veränderungen der Zusammenhänge abzubilden und die Prognosen dauerhaft nachzuschärfen, werden den Prognosen die IST-Verbräuche gegenüberstellt und fließen bei entsprechender Genauigkeit in den andauernden Anlernprozess ein.

Erfahrungen haben gezeigt, dass sich bei geeigneten Parametern eine Genauigkeit von 1 bis 2 % erreichen lässt!