Dynamisch planen, Strom sparen
Eine Bäckerei, ein Rechenzentrum, eine CNC-Fertigung und ein Sportpark haben auf den ersten Blick wenig gemeinsam. Auf den zweiten schon: Alle vier verbrauchen Strom in Mustern, die sich kaum vorhersagen lassen. Genau hier setzte Detecons Challenge bei den Energy Data Hackdays an.
Die Prognose schaut zurück, das Geschäft nach vorn
In unserer Beratungspraxis sehen wir es täglich: Energieintensive Unternehmen sind gefangen zwischen volatilen Märkten und einer Verbrauchsplanung, die immer komplexer wird. Preise schwanken. Anlagen kommen hinzu. Produktionspläne ändern sich. Und die Prognose, die all das abfangen soll, basiert auf einer historischen Baseline.
Das kann nicht funktionieren. Eine Baseline weiss nichts von dem Wetterumschwung nächste Woche. Sie kennt die neue PV-Anlage auf dem Dach nicht und nicht die Ladesäulen auf dem Parkplatz. Sie merkt nicht, dass die zweite Schicht ab Oktober wegfällt. Sie rechnet mit einem Unternehmen, das es so nicht mehr gibt.
Die Folgen schlagen direkt aufs Ergebnis durch. Zu viel oder zu wenig eingekaufter Strom. Budgets, die schon im zweiten Quartal nicht mehr stimmen. ESG-Berichte, die auf Schätzungen statt auf Messwerten beruhen. Diese Lücke zieht sich durch ganze Branchen. Wir wollten sie schliessen.
Ein Hackathon, ein Startup und 36 Stunden
Die Energy Data Hackdays in Brugg-Windisch bringen jedes Jahr Data Scientists, Energieexperten und Unternehmen an einen Tisch. Detecon trat dort als Challenge Owner auf. An unserer Seite: TEELS, ein Energieeffizienz-Startup mit einer besonderen Geschichte. Es ist im Vorjahr aus genau diesem Hackathon entstanden.
Die Aufgabe formulierten wir bewusst ambitioniert: Baut eine universelle Electricity Consumption Forecasting Engine. Nicht für einen Kunden, nicht für einen Standort. Für alle.
Das Rohmaterial lieferte die TEELS-Plattform: 15-Minuten-Lastgangdaten aus dem echten Betrieb. Rechenzentren mit ihrem konstanten Grundrauschen. CNC-Fertigungen mit harten Lastspitzen. Bäckereien, die nachts arbeiten. Sportparks, die vom Wetter und vom Wochenende leben. Heterogener geht es kaum. Und genau das war der Punkt.
Was die Vorhersage wirklich besser macht
Dann begannen 36 intensive Stunden. Das Team stürzte sich auf die Daten. Und auf das, was in der Data Science den Unterschied macht: Feature Engineering. Welche Faktoren verbessern die Prognose tatsächlich? Wetterdaten, Kalenderereignisse, Feiertage, betriebliche Besonderheiten.
Die eigentliche Hürde aber hiess Generalisierbarkeit. Ein Modell, das für die Bäckerei perfekt funktioniert und im Rechenzentrum versagt, ist ein Einzelfall, kein Werkzeug. Die entstandenen Ansätze zeigten, wie es anders geht. Zuerst werden die Unternehmen nach ihrer Verbrauchsstruktur geclustert. Dann entsteht für jedes Cluster ein eigenes, optimiertes Prognosemodell. Stufe eins wählt also das Modell, Stufe zwei rechnet. Beide Stufen lassen sich mit AI und Machine Learning optimieren. Aber ohne diese Zweistufigkeit gibt es kein generalisierbares Werkzeug.
Von der Vorhersage zur Entscheidung
Eine präzise Prognose ist kein Selbstzweck. Sie ist erst dann etwas wert, wenn jemand auf ihrer Basis anders entscheidet. Genau diese Brücke von der Data Science in den Geschäftsalltag war das eigentliche Ziel der Challenge. Und sie zahlt sich gleich an mehreren Stellen aus.
In der Beschaffung zuerst. Wer seinen künftigen Bedarf verlässlich prognostiziert, senkt Volumenrisiken und gewinnt Planungssicherheit bei den Stromkosten. Im Finanzbereich ersetzen treiberbasierte Prognosen die statische Baseline. Das Budget bildet ab, was im Unternehmen wirklich passiert. Nicht die Situation von vor drei Jahren.
In der Nachhaltigkeit werden hochwertige Planungsdaten zur Grundlage für auditierbare ESG-Berichte. Emissionen lassen sich messen statt Schätzen. In der Energieeffizienz macht eine zuverlässige, automatisierte Planung sichtbar, was einzelne Massnahmen zum künftigen Stromverbrauch beitragen. Abweichungsanalysen zeigen, ob sie wirken.
Was nach 36 Stunden bleibt
Intelligente Lastanalysen und Prognosen werden zum Standardwerkzeug eines modernen, datengetriebenen Energiemanagements. Die Energy Data Hackdays haben gezeigt, wie viel Potenzial an der Schnittstelle von Data Science, Domänenwissen und Business Analytics liegt. Und wie schnell aus einer Idee ein funktionierender Ansatz wird, wenn die richtigen Leute zusammenarbeiten.
«Wir sind vor einem Jahr selbst aus den Energy Data Hackdays entstanden. Jetzt kommen unser Tool und unsere Daten dorthin zurück und werden zur Grundlage für die nächste Idee. Für unsere Kunden zählt am Ende eines: Aus Lastgangdaten müssen Entscheidungen und Massnahmen abgeleitet werden können. Dass dies möglich ist hat die Challenge gezeigt», sagt Roman Marty, CEO TEELS AG.
Detecon rechnet mit stark steigender Nachfrage nach solchen Prognosefähigkeiten. Eine universelle Electricity Consumption Forecasting Engine ermöglicht es energieintensiven Unternehmen, ihren Energieverbrauch vorausschauend zu prognostizieren und gleichzeitig wirtschaftliche wie nachhaltige Mehrwerte zu realisieren. Die Bäckerei, das Rechenzentrum, die Fertigung und der Sportpark zeigen, dass es geht. Statische Baselines gehören der Vergangenheit an. Die Zukunft gehört der dynamischen Prognose.
