TRAIAN

Die TAG GmbH ist Österreichs größter Gasfernleitungsnetzbetreiber. Ihre Kernaufgabe ist der Betrieb sowie die Instandhaltung von Gasleitungen und Kompressorstationen, um die Energieversorgung in Österreich und Italien sicherzustellen.

Das Ziel des Projekts TRAIAN (TRAnsport to Italy ANticipation) war, gemeinsam mit WECOM die Einsatzmöglichkeiten von Artificial Intelligence und Machine Learning zur Effizienzsteigerung und Emissionsreduktion im folgenden Rahmen zu prüfen:

• Identifikation von Anwendungsfällen für Artificial Intelligence und Machine Learning-Methoden, einerseits zur Emissionsreduktion im Kompressorbetrieb und andererseits zur Optimierung von Energieeinkauf, Kapazitätsvermarktung und Instandhaltung.
• Abschätzung des ökonomischen Mehrwerts dieser Anwendungsfälle
• Prüfung der erreichbaren Verbesserungen in der Vorhersage von Transportanforderungen („Energy Flow Forecasting“) durch den Einsatz moderner Machine Learning-Methoden für die Zeitreihen-Vorhersage.

Herausforderung

Traditionelle Methoden versagen zunehmend darin, die für den energieeffizienten und kostengünstigen Betrieb des Fernleitungssystems notwendigen Transportanforderungen vorherzusagen. Dies liegt daran, dass die Kundenwünsche in Reaktion auf prävalente Temperaturschwankungen, Marktpreise und Speichereinsatzgegebenheiten immer kurzfristiger berücksichtigt werden müssen.

Gleichzeitig wachsen die Anforderungen an den Betrieb der Fernleitung, was Energieeffizienz, Vermarktung von Transportkapazitäten und effiziente Instandhaltung, sowie Emissionsreduktion betrifft.  Besonders ambitioniert ist dabei das Ziel der italienischen Snam S.p.A, dem Mehrheitseigentümer der TAG GmbH, bis 2040 CO₂-neutral zu operieren.

Konkret stellten sich im Projekt die folgenden Herausforderungen:

• Erschwerte Modellerstellung aufgrund hoher Volatilität sowie fehlender Trends und Saisonalitäten in Zeitseriendaten
• Datenvereinheitlichung, da die erforderlichen Daten auf verschiedene IT-Systeme in nicht einheitlicher Form verteilt waren
• Geringe Anzahl an Referenzprojekten („best practice“) aufgrund der Neuartigkeit von Machine Learning-Methoden in der Energiewirtschaft

Herangehensweise

Zunächst wurden die möglichen Anwendungsfelder von AI/ML bei einem TSO (Transmission System Operator) identifiziert und im Anschluss das heutige und zukünftig zu erwartende Potenzial dieser Einsatzmöglichkeiten, unter Berücksichtigung sich ändernder Rahmenbedingungen, bewertet.

Darauf aufbauend wurden für den speziellen Anwendungsfall „Energy Flow Forecasting“ ein technischer Prototyp als Leuchtturm für AI/ML im Unternehmen entwickelt und eine Wirtschaftlichkeitsanalyse durchgeführt.

Ergebnis

Im Ergebnis ist das Management des Kunden nun in der Lage, eine AI-Strategie zu formulieren und über die operative Implementierung von Machine Learning-Methoden zur betrieblichen Optimierung zu entscheiden.

Speziell für den Anwendungsfall „Energy Flow Forecasting“ konnte eine bedeutende Verbesserung der Prognosegüte gegenüber dem Referenzverfahren in relevanten Kennzahlen erreicht werden. Hierdurch wurde das wirtschaftliche Potenzial unter Berücksichtigung der Kompressorfahrweise sowie zugehörigen Strom- und Gaspreisen bestätigt.