Die SWU muss täglich den gesamten Stromverbrauch für den folgenden Tag prognostizieren, um die Menge an benötigtem Strom zu einem möglichst günstigen Preis einkaufen zu können. Eine wichtige Einschränkung stellt hierbei die Granularität der Prognose dar, da der Strommengenverbrauch stets in 15-Minuten-Zeitblöcken bestimmt und eingekauft werden muss. Das heißt, der Energieversorger sollte beispielsweise bereits am Montag möglichst exakt bestimmen können, wie viel Strom am Dienstag zwischen 8:15 Uhr und 8:30 Uhr verbraucht wird.

Um den Strommengenverbrauch möglichst exakt zu prognostizieren, wird eine Vielzahl von Daten über den Stromverbrauch der Kunden benötigt. Bisher konnte hierfür allerdings nur einmal im Jahr der aktuelle Stand des Stromzählers der Kunden erfasst werden, was die Berechnung einer feingranularen Prognose enorm erschwert.

Der Einsatz von smarten Stromzählern erlaubt es nun, eine exakte Prognose aufzustellen, da durch die Anbindung der Stromzähler ans Internet via LoRaWAN die laufend gesammelten Daten direkt an den Energieversorger übermittelt werden. Im Projekt mit der SWU dienen mehr als 150.000 IoT-Sensoren in den Haushalten als Datenquellen. Sie messen und übertragen permanent den jeweils aktuellen Verbrauchswert. Diese Werte werden anschließend weiterverarbeitet, um Abrechnungen und Bedarfsprognosen erstellen zu können. Dazu fließen die Daten zusammen mit anderen Parametern, welche Einfluss auf den Stromverbrauch nehmen können wie z.B. die Wettervorhersage oder den Wochentag, in den Algorithmus mit ein.

Kernfunktionalität:

• Fernauslesung von Stromzählern und zur Weiterverarbeitung der Zählerdaten über einen Sensor
• Übernahme der Sensordaten aus einem LoRaWAN-Netzwerk
• Aufbereitung der Daten in Echtzeit
• Bereitstellung der Daten für die Übernahme in ein SAP-System und den Zugriff über eine REST-Schnittstelle

Angetrieben durch horizontale Produktdiversifikation ist zudem die Umsetzung weiterer Teilprojekte in Planung. So sollen zukünftig auch Gas- und Wasserzähler angebunden werden.

(Quelle: Automatisierte Visualisierung der LoRaWAN-Netzqualität mithilfe von Machine Learning, Bachelorarbeit unseres Dualen Studenten Daniel Eberhardt)