Herausforderung
Der Kunde ist als Stadtwerk u.a. verantwortlich für die gesamte Wasserversorgung einer Stadt in Deutschland. Genaue Vorhersagen der Wasserbedarfe sind für Instandhaltungsmaßnahmen und Wasserumverteilungen bei z. B. Rohrbrüchen unabdingbar. So benötigen Wasserumverteilungsmaßnahmen bei Rohrbrüchen beispielsweise eine präzise Einschätzung der Wasserbedarfe zu jeder Tageszeit. Zwar folgen die Bedarfe einer starken Tages- und Wochensaisonalität (gegeben durch Arbeitstage und Bedarfe in der Industrie), allerdings ist der Einfluss von Wetter und weiteren Faktoren nicht zu vernachlässigen. Zum Zeitpunkt des Projektbeginns erstellt der Kunde die Vorhersagen manuell per Hand und überprüft dabei die Einflüsse externer Faktoren nur stichprobenartig. Neben den Herausforderungen im Forecasting gab es darüber hinaus Schwierigkeiten bei der Qualität der Daten. So wurden Messwerte historisch händisch erhoben, was beispielsweise zu fehlenden Werten bei Krankheiten einzelner Mitarbeiter führte. Ziel des Projekts war daher die möglichst präzise Vorhersage der stündlichen Wasserbedarfsmengen für die nächsten sieben Tage und der täglichen Wasserbedarfsmengen für die nächsten 30 Tage.
Ansatz
Für die Vorhersage der Wasserbedarfsmengen wurden neben den historischen Daten zum Wasserverbrauch der letzten fünf Jahre diverse externe Einflussfaktoren erhoben, wie z. B. Wetterdaten (Temperatur, Niederschlag), Schul- und Semesterferien, weitere Kalenderinformationen wie Saison und Feiertage sowie besondere Events (z. B. Fußballspiele). Dabei wurden insbesondere die Wetterdaten für das Ableiten weiterer Variablen genutzt: So können zum Beispiel die Tage seit dem letzten Regenfall, die Niederschlagsmenge der letzten Woche oder die Tage bis zum nächsten Niederschlag genutzt werden. Basierend auf der Wasserbedarfshistorie und den weiteren externen Faktoren wurden Machine Learning Prognosemodelle trainiert, um den zukünftigen Wasserbedarf zu errechnen. Von den evaluierten Einflussfaktoren hatten letztlich die Wetterdaten und Kalenderinformationen den größten Einfluss auf die Vorhersagen.
Ergebnis
Mithilfe der Machine Learning Modelle konnten die stündlichen und täglichen Wasserbedarfsmengen mit einer sehr hohen Genauigkeit vorhergesagt werden. Und zwar, mit einer Genauigkeit von 95,0% für die stündlichen Vorhersagen und einer Genauigkeit von 94,6% für die täglichen Vorhersagen. Damit waren die Vorhersagen 32% bzw. 43% genauer als ein individuell konstruierter Benchmark, der nicht auf Machine Learning Algorithmen beruht. Durch die genaueren Bedarfsprognosen profitiert das Stadtwerk von einer erhöhten Planungssicherheit bei z. B. Instandhaltungsmaßnahmen oder auch Wasserumverteilungen.