Die Ausgangslage
Ein regionaler Netzbetreiber plante Erzeugung und Flexibilität auf Basis einer Tabellenprognose, die das Profil der Vorwoche mit einer Wetterkorrektur wiederholte. An einem durchschnittlichen Dienstag ging das gut – und an jedem heißen Nachmittag, Feiertag und in jeder Ferienwoche daneben. Genau an den Tagen, an denen eine falsche Prognose teuer wird.
Das Dispatch-Team wollte zwei Dinge, die eine Punktprognose nicht liefern kann: die erwartete Last je Standort und ein Maß dafür, wie sicher sich das Modell ist.
Was wir gebaut haben
- Ein Temporal Fusion Transformer, trainiert auf drei Jahren 15-Minuten-SCADA-Messwerten für 14 Standorte, mit Wetterprognosen, Day-Ahead-Preisen, Kalender- und Feiertagsmerkmalen als bekannten Zukunftseingaben.
- Quantil-Ausgaben (p10, p25, p50, p75, p90) für jeden 15-Minuten-Schritt des 48-Stunden-Horizonts, sodass das Team ein Band statt einer Linie sieht und Reserven dagegen planen kann.
- Ein nächtlicher Retraining- und Backtesting-Job, der eine neue Modellversion nur dann freigibt, wenn ihr rollierender Fehler und ihre Intervallabdeckung über die letzten vier Wochen besser sind als die der aktuellen.
- Anomalie-Markierungen, sobald ein Messwert das 90-%-Band verlässt – zugleich eine Frühwarnung für Zählerfehler und ungewöhnliches Standortverhalten.
Ergebnisse
Im letzten Quartal erreicht das Modell im Mittel 2,8 % MAPE für 24 Stunden im Voraus gegenüber 7,4 % der saisonalen Basislinie; das 90-%-Intervall deckt 91,3 % der tatsächlichen Messwerte ab – kalibriert, nicht einfach breit. Die Prognosen für alle 14 Standorte und 96 Horizonte entstehen in unter zwei Sekunden auf einer CPU, und die Attention-Gewichte zeigen dem Team, warum eine Spitze erwartet wird, nicht nur, dass sie kommt.
Die eingebaute Erklärbarkeit erwies sich als ebenso wichtig wie die Genauigkeit: Eine Prognose, die das Team erklären kann, ist eine, die es tatsächlich nutzt.