ERNEUERBARE ENERGIE

BioHyMethControl

brandseven nimmt als Projektpartner an einem spannenden Forschungsvorhaben teil.

Im Zuge der Energiewende erlebt das in Deutschland gewachsene Energiesystem einen Strukturwandel.

Während sich das derzeitige System aufgrund der Speicherfähigkeit von fossilen Brennstoffen gradlinig auf die Nachfrage am Strommarkt ausrichtet und zu kalkulieren und zu regulieren ist, treten mit den erneuerbaren Energien Wind und Photovoltaik zwei Energiequellen in den Energiesektor ein, die dem derzeitigen System diametral entgegenstehen.

Infolge dessen muss für das zukünftige Stromnetz ein Flexibilitätskonzept entwickelt werden, welches in der Lage ist die Diskrepanzen (Residuallasten) zwischen Angebot und Nachfrage im Energiesektor auszubalancieren. Eine in der Literatur viel zitierte Flexibilitätsoption stellt dabei die flexible Biomasse dar, worunter eine an den Bedarf ausgerichtete Betriebsweise konventioneller Biogasanlagen verstanden wird. Eine andere Möglichkeit der flexiblen Biomasse bietet die dark fermentation in Kombination mit der Methan-Produktion. 

In dem Projekt BioHyMeth (FKZ 64.65.69 EN 1014 A/B/C) konnte gezeigt werden, dass in einem halbtechnischen Maßstab aus einem kohlenhydratreichen Abwasserstrom Wasserstoff erzeugt werden kann und das dabei entstehende Fermentationsprodukt als Co-Substrat in der Methanproduktion eingesetzt werden kann. 

Aus ökologischer Sicht lässt sich mit diesem Verfahren ein doppelter Effekt erzielen, da hier nicht nur eine erneuerbare Energiequelle erschlossen wird, sondern zeitgleich auch durch die Verwendung von Abfallströmen Ressourcenschutz und Ressourcenoptimierung betrieben wird. Damit dieses Verfahren jedoch wirtschaftlich umgesetzt werden kann, bedarf es besonders unter ökonomischen Gesichtspunkten noch Optimierungsbedarf. Hierzu wurde durch die Novellierung des Erneuerbaren-Energie-Gesetz von 2012 mit dem Abschnitt 5 „Besondere Förderbestimmungen (Flexibilität)“ ein ökonomischer Anreiz gesetzt.

Ziel dieses Projekts BioHyMethControl

Ziel dieses Projekts BioHyMethcontrol ist es, das im Projekt BioHyMeth erprobte Verfahren so zu optimieren, dass es als zentrale Flexibilitätsoption in einem Stromsystem aus 100% erneuerbaren Energien verwendet werden kann. Um eine praktische Umsetzbarkeit der Forschungsergebnisse zu gewährleisten, wird eine reale Kläranlage für das Projekt ausgewählt, für die ein Energiekonzept aus 100 % erneuerbaren Energien erstellt wird sowie ein Flexibilitätskonzept mit der zentralen Flexibilitätsoption der Wasserstoff- und Methanerzeugung, sodass die Anlage unabhängig von konventionellen Kraftwerken betrieben werden kann. Anhand der Daten der Kläranlage soll über einen Zeitraum von mindestens einem Jahr eine halbtechnische Versuchsanlage betrieben werden, zu der zunächst folgende Fragestellungen bearbeitet werden sollen:

  • Welches Energiekonzept lässt sich auf Kläranlagen realisieren?
  • Welche potentiellen Abfallströme stehen zur Verfügung?
  • Welche Flexibilitätsoptionen in welcher Größe müssen zur Verfügung gestellt werden, damit die Anlagen aus 100% erneuerbarer Energie betrieben werden können?
  • Welche Wettervorhersagen werden benötigt, um sicherstellen zu können, dass die auftretenden Residuallasten durch den biologischen Prozess kompensiert werden?
  • In wie fern lassen sich der Wasserstoff und das Methan bedarfsgerecht produzieren? Werden eventuell Gasspeicher benötigt?
  • Anhand welcher Parameter lässt sich der Energiegewinn aus dem biologischen Prozess vorhersagen?
  • In wie weit lässt sich das Verfahren durch eine Steuerung automatisieren?
  • Welche Gesamtspeicherkapazität kann durch das System für NRW zur Verfügung gestellt werden?
  • Wie wirtschaftlich ist ein solches System bzw. unter welchen Bedingungen ist ein wirtschaftlicher Betrieb einer Anlage möglich?

Survival Analyse

Die Datengrundlage für dieses Modell bilden Transaktionsdaten.

Das bedeutet unter anderem Kundenkommunikation, Aktivität, Zahlverhalten und vieles mehr. Jede Transaktion bzw. jedes Event beeinflusst die „Lebenserwartung“ eines Vertrages oder Kundenkontos.

Brandseven geht dabei individuell auf ihre Transaktionsdatenpakete ein und liefert einen Zeitstrahl pro Kunde, auf dem sich der Effekt jedes Events einfach ablesen lässt.

Beispiele für mögliche Insights:

  • Ein erfolgreiches Vertriebsgespräch im letzten Quartal hat die „Lebenserwartung“ des Kunden verlängert.
  • Die letzte Webshop-Aktivität des Kunden ist über ein Jahr her. Die Inaktivität spricht für hohe Wechselgefahr.

Für Experten:

Die Methodik basiert auf einer Cox-Regression, also tatsächlich auf einem Algorithmus zur „Überlebensanalyse“. Events entsprechen „Hazards“, die sich positiv oder negativ auf die Kündigungswahrscheinlichkeit auswirken.

Diese Fragen lassen sich dann also beantworten:

  1. Um welche Kunden muss sich jetzt (oder erst später) gekümmert werden?
  2. Welchen Effekt haben welche Events im Allgemeinen?
  3. Mit welchen Events können wir bestimmte Kunden stärker binden?

Kausales Modell

Statistische Modelle liefern uns einen guten ersten Einblick in unsere Handlungsoptionen.

Selbstbewusste Entscheidungen können allerdings nur getroffen werden, wenn die Effekte aller Optionen abschätzbar sind.

Das Kausale Modell erlaubt genau das.

Beispiel für ein Gedankenexperiment:
Intervention: Preisanpassung, Effekt: Kündigerquote verändert sich.
Ergebnis: Beste Preisanpassung für mögliche niedrige Kündigerquote.

Das Kausalmodell inkorporiert das Wissen, welche Variablen wie auf andere einwirken und kann so über die statistischen Zusammenhänge hinausschauen und den reinen Effekt einer Intervention erkennen. Dieses Wissen fließt aus zwei Quellen zusammen. Unserem langjährigen Expertenwissen im Energiemarkt und der Kundenanalyse, sowie aus der individuellen Kundendatengrundlage extrahierte Wechselwirkungen der Variablen.

Unsere Kunden profitieren davon folgendermaßen:

  1. Unsere Expertise über den Energiemarkt fließt mit ein.
  2. Fragestellungen können dynamisch angefragt und analysiert werden.
  3. Das Analyseergebnis ist grundsätzlich robuster als das eines klassischen statistischen Ansatzes
  4. Das Modell liefert einen größeren Einblick und hilft konkret Entscheidungen zu treffen.

Basisanalyse

Welche Fragen können und wollen wir beantworten?

Bisher beschäftigen wir uns mit probabilistischen Fragestellungen wie zum Beispiel:

Mit welcher Wahrscheinlichkeit kündigt jemand?

Dafür schauen wir uns an, welche Merkmale haben die Kunden und welche Merkmale machen sie wahrscheinlich zu Kündigern (jene, die wir bei Kündigern sehen) und klassifizieren dann. Dafür kann man unterschiedliche Modelle nutzen. Bei uns ist das im Moment der Random Forest. Problematisch kann das Ganze aus mehreren Gründen sein. Einer davon ist, dass viele Merkmale miteinander korrelieren und es für das Modell schwieriger wird gute Informationen aus den Daten zu ziehen. Ein anderer ist, dass wir viele potentielle Variablen gar nicht beobachten können.

Das Kausal Modell inkorporiert „Expertenwissen“ über den Mechanismus hinter den Variablen. Also zum Beispiel:

Wetter und Churn korrelieren beim Medium Gas stark (warum nur?) – Wir wissen: Wetter beeinflusst Churn. Andererseits führen viele Kündiger nicht zu mehr Sonnenstunden (oder Regentagen).

Hier liegt also eine kausale „Richtung“ vor, die bisher nicht im Modell berücksichtigt wird. Dies ist natürlich ein triviales Beispiel. Das Kausale Modell soll sicherstellen, dass der Mechanismus hinter den Variablen berücksichtigt wird, unbeobachtete Effekte erkannt und herausgerechnet werden können und kann darüber hinaus Aussagen darüber treffen, wie eine Intervention auf einer oder mehrerer Variablen sich auswirkt. Auch hierzu ein Beispiel:

10% der Kunden sind Wechselgefährdet.
Intervention: Passe den Tarif (nach unten) an.
Frage: Sind nun weniger Kunden wechselgefährdet? Wie viele?

Somit liefert diese Methode auch die Plattform, Gedankenexperimente durchzuspielen und kann helfen, Kampagnen zu planen oder den Effekt einer Aktion abzuschätzen, bevor man sie durchführt. Der Gewinn ist also der Übergang von der ersten Frage zur zweiten:

Mit welcher Wahrscheinlicht passiert X, wenn ich Y sehe? Mit welcher Wahrscheinlicht passiert X, wenn ich Y mache?

Unsere Kunden profitieren davon folgendermaßen:

  1. Unsere Expertise über den Energiemarkt fließt mit ein.
  2. Spezielle Fragestellungen können zusätzlich angefragt werden.
  3. Die Ergebnisse werden grundsätzlich robuster.
  4. Das Modell liefert einen größeren Einblick und erklärt warum etwas passiert und nicht nurdass es passiert. Also: Warum kündigt ein Kunde?