Intelligente Prognosen in Aurora by Sigholm Prognosen – ein Thema, das unabhängig davon, ob man im Betrieb, in der Ingenieurstechnik oder in der Unternehmensentwicklung arbeitet, schnell Diskussionen auslöst. In Aurora by Sigholm sind sie eine zentrale Säule, auf der unsere Fahrplanoptimierung aufbaut. Ohne treffsichere Prognosen kann kein treffsicherer Fahrplan entstehen. In der Plattform erstellen wir hauptsächlich drei Arten von Prognosen: Strompreis-, Wetter- und Lastprognosen. Die Lastprognosen beziehen sich in erster Linie auf die Fernwärmelast, umfassen jedoch auch Fernkälte, Dampf sowie verschiedene Abwärmelieferanten. Alle Prognosen dienen als Input für die Fahrplanoptimierung.
Prognosen im Produktionsbetrieb
Wenn man 20 000 Prognosen pro Woche erstellt, ist es wichtig, den Prozess gut zu gestalten und zu automatisieren. Es ist unmöglich, sie nacheinander zu berechnen, da neue Prognosen schneller in die Warteschlange gelangen, als sie abgearbeitet werden können. Aurora by Sigholm ist eine Cloud-Native-App, die die Skalierbarkeit der Cloud nutzt, um alle Prognoseberechnungen zu bewältigen, wobei Prognosejobs stündlich eingeplant werden. Da jede Anlage ihre eigenen, einzigartigen Prognosen hat, läuft der untenstehende Prozess für alle Anlagen parallel ab. 
Der Ablauf ist für alle Anlagen gleich, doch Prognosen und Modelle sind individuell. Zunächst wird eine Wetterprognose erzeugt. Diese stammt oft von externen Anbietern wie SMHI, doch einige Anlagen möchten die Wetterprognose anpassen – was in diesem Schritt geschieht. Da viele Lastprognosen auf Wetterdaten basieren, warten wir den Schritt „Wetterprognose“ ab, bevor die Lastprognosen erstellt werden. Lastprognosen werden für Anlagen mit mehr als nur Fernwärmelast parallel berechnet. Da wir bei Bedarf neue Prozesse hochfahren und Prognosen parallel berechnen können, dauert der gesamte Prognosefluss lediglich vier Sekunden. Sobald alle Lastprognosen fertiggestellt sind, wird eine neue Optimierung erzeugt, welche wiederum den Fahrplan für die Nutzer in Aurora by Sigholm aktualisiert.
Anpassung der Prognose-Engine
Verschiedene Prognosen haben unterschiedliche Voraussetzungen. Daher ist eine anpassbare Prognose-Engine wichtig, die für jede Anlage und jede Last optimiert werden kann. So zeigt sich beispielsweise häufig, dass die Fernwärmelast linear zur Außentemperatur verläuft – weshalb sich eine lineare Regressionsmodellierung gut eignet. Fernkälte hingegen weist ein polynomiales Verhältnis zwischen Fernkältelast und Außentemperatur auf, bei dem lineare Regression kein gutes Ergebnis liefert. In Aurora by Sigholm können wir neue Modelle für verschiedene Szenarien erstellen, die auf unterschiedlichen Eigenschaften (z. B. Temperatur) basieren, und gegebenenfalls eine Nachbearbeitung anwenden, um die bestmögliche Prognosequalität zu erreichen. Wir können außerdem verschiedene Modelle und Methoden gegeneinander testen und das Modell mit der höchsten Genauigkeit verwenden. 
Als letzten Schritt nach jeder Prognose speichern wir die Prognosewerte in der Datenbank, sodass sie in der Optimierung verwendet oder den Nutzern angezeigt werden können. Diese Werte sind stets die „aktuell besten“ und werden bei jeder neuen Prognose überschrieben. Um Auswertungen und Vergleiche mit früheren Prognosen durchführen zu können, wird jedoch jede Prognose zusätzlich in einem Archiv in ihrer Originalform gespeichert. Dadurch können wir beispielsweise Fragen beantworten wie: „Wie hoch war die Prognosegenauigkeit 24 Stunden vor dem tatsächlichen Ergebnis?“
Automatisches Feintuning
Die Prognosemodelle verfügen über eine Reihe von Parametern, die optimiert werden, um bestmögliche Ergebnisse zu erzielen. Dieser Schritt wird als „Training“ bezeichnet. Das Training basiert auf historischen Daten jeder einzelnen Anlage – je mehr und je bessere historische Daten, desto besser die Prognosen. Da kontinuierlich neue Daten von den Anlagen eingehen, können wir das Modell fortlaufend nachjustieren. Einmal pro Woche erfolgt dies automatisch in einem Prozess, der wie folgt aussieht: 
Bildtext: Wir wechseln nur dann auf ein neues Modell, wenn es bessere Ergebnisse liefert als das bisher aktive Modell. Doch wie bewertet man eine Prognose, um festzustellen, was „besser“ bedeutet?
Nachverfolgung & Bewertung
Es gibt gängige Bewertungsmethoden wie MAE (Mean Absolute Error), MSE (Mean Square Error), MAPE (Mean Absolute Percentage Error) usw. Für die automatische Bewertung verwenden wir am häufigsten den MAE. Eine Variante des MAPE, die wir „Treffsicherheit“ nennen, ist besonders geeignet, wenn man verschiedene Modelle vergleichen und eine prozentuale Angabe zur Genauigkeit machen möchte. Eine Prozentzahl ist oft leichter zu kommunizieren als eine „mittlere Abweichung in MW“. Die Treffsicherheit berechnet sich einfach aus der Differenz zwischen Prognose (P) und Ergebnis (U), geteilt durch die gesamte Spannweite der Werte. Diese Spannweite wird anhand der Differenz zwischen dem 95. und dem 5. Perzentil des Ergebnisses bestimmt. 
Natürlich ist es schwierig, eine einzelne Prozentzahl als absolute Genauigkeit festzulegen, doch diese Methode eignet sich gut für standardisierte Vergleiche verschiedener Prognosetypen (Wetter, Strompreis, Fernwärmelast). Ein Blick auf die Treffsicherheit zeigt, dass sie abnimmt, je weiter in die Zukunft die Prognose reicht. Untenstehend ist ein Vergleich zwischen der Temperaturprognose von SMHI und der Fernwärmelastprognose von Aurora by Sigholm für Q1 2022 dargestellt: 
Mit einer robusten Infrastruktur, die Modelle automatisch trainiert und bei Bedarf skalieren kann, können wir die Prognoseerstellung zuverlässig Aurora by Sigholm überlassen – sodass wir Ingenieure uns auf spannendere Aufgaben konzentrieren können: wie das Experimentieren mit neuen Techniken und Modellen, um die Genauigkeit weiter zu erhöhen.
