IGS Energy nutzt KI und ML für optimierte Anomalieerkennung und weniger Komplexität bei Prognosen

IGS Energy setzt sich für eine grünere Zukunft ein. Mit dem Ziel, zuverlässige, erschwingliche und saubere Energie für alle zur Verfügung zu stellen, bietet IGS verschiedene nachhaltige Energielösungen an – darunter Strom aus erneuerbaren Energiequellen, CO₂-neutrales Erdgas und Solarkraft. Als Energieversorgungsunternehmen im Mittleren Westen der USA beliefert IGS über eine Million Kund:innen – von Unternehmen bis zu Privathaushalten – mit Strom und Erdgas. 

„Daten tragen entscheidend zur Erreichung unseres Ziels bei: Sie helfen uns, unsere Angebote zuverlässiger und wettbewerbsfähiger für die Kundschaft zu machen“, sagt Dan Shah, Manager of Data Science bei IGS Energy. Als das alte On-Premises-System nicht mehr mit der riesigen täglich verarbeiteten Datenmenge mithalten konnte, begann IGS die Implementierung einer skalierbaren, stabilen Datenplattform anzustreben. Nun bildet Snowflake das Rückgrat seiner Dateninfrastruktur. So löst IGS mit KI/ML eine Vielzahl von Geschäftszielen – von der Bedarfsprognose bis zur Erkennung von Anomalien.

Daten sind also für das Ziel, das IGS sich gesteckt hat, von entscheidender Bedeutung. Und doch verließ sich das Unternehmen zuvor auf eine alte On-Premises-Dateninfrastruktur, die es dem Team erschwerte, ihre tägliche Arbeit präzise und effizient auszuführen. „Unsere Workflows waren alle miteinander verbunden und voneinander abhängig“, so Shah. „Brach ein Glied in der Kette, ließ es sich nur schwer abtrennen. Zudem war es schwierig, den Prozess zu verbessern.“

Die genannten Herausforderungen waren besonders im Zusammenhang mit Nachfrageprognosen problematisch. Diese machen einen wesentlichen Bestandteil des IGS-Geschäfts aus und erfordern höchste Genauigkeit. „Wir treffen jeden Tag energiebezogene Kaufentscheidungen – Entscheidungen, die eine Prognose erfordern“, so Shah. Diese Transaktionen reichen von langfristigen Entscheidungen über den Stromeinkauf und -verkauf bis hin zu Handelsgeschäften auf dem „Day-Ahead-Energiemarkt“: Dort können Marktteilnehmende Strom für den Großhandel einen Tag vor dem Betriebstag kaufen oder verkaufen, um Preisschwankungen zu vermeiden.

Die ML-basierten Prognosemodelle von IGS brauchen riesige Datenmengen – darunter wetterbezogene Informationen, Verlaufsdaten zum Stromverbrauch, Kontodetails und Vertragsdaten. Da die Großhandelspreise für Strom je nach Tageszeit variieren, muss das Unternehmen den Stromverbrauch pro Stunde für die Vertragsdauer der Kundschaft prognostizieren, welche sich über viele Jahre erstrecken kann. Die dabei erzeugten Daten können 40 bis 50 Milliarden Zeilen umfassen und ein Terabyte überschreiten. „Wenn im Vorfeld der Prognose etwas ausfällt, funktioniert der Prozess nicht und wir laufen Gefahr, ziemlich viel Geld zu verlieren“, erklärt Shah.

Auf der Suche nach einer skalierbaren, flexiblen Lösung wandte sich IGS an Snowflake. „Die Data Cloud schien die kostengünstigste und schnellste Möglichkeit zu sein, diese riesigen Datenmengen zu speichern, abzufragen und zu nutzen“, sagt Shah. „Wir hatten den Anspruch, Daten nützlicher, aussagekräftiger und verwertbarer zu machen. Und Snowflake hat einen wichtigen Teil dazu beigetragen.“

Mit Snowflake entwickelte Shahs Team die „nächste Generation“ seines Nachfrageprognosemodells. „Nachfrageprognosen sind in der Regel umso genauer, je tiefer man ins Detail geht“, so Shah. „Wir verwendeten jedoch ein Prognosemodell pro Konto, was aufgrund der hohen Anzahl an Kundenkonten mit sehr viel Aufwand verbunden war.“ IGS ging dazu über, statt einem Modell pro Kund:in nur ein zentrales, einheitliches Modell in Snowflake zu trainieren – eine Umstellung, die weniger Komplexität bei gleichbleibend hoher Genauigkeit sowie um 75 % verringerte Trainingskosten bedeutete.

„Früher dauerte es eine halbe Stunde, all diese Modelle zu trainieren und Vorhersagen zu erzeugen“, sagt Shah. „Das zentralisierte Snowflake-Modell ist superschnell: Prognosen für Hunderttausende Kund:innen sind binnen weniger Minuten generiert. Diese Geschwindigkeit und Einfachheit ebnen unserem Unternehmen den Weg zu zusätzlichen Möglichkeiten wie Simulationen und Szenarioprognosen.“

Im Snowflake-basierten Prognosemodell sieht Shah potenzielle Vorteile, die weit über IGS hinausgehen. „Wir glauben, dass dieser Ansatz außerhalb der Energiebranche funktionieren könnte, z. B. im Handel oder in der Supply Chain“, so Shah. „Er könnte eine Blaupause für jede Branche sein, in der die Anzahl der zu erstellenden Prognosen eine Herausforderung darstellt.“

Neben erneuerbarer Energie über das Versorgungsnetz bietet IGS auch Dachsolaranlagen an. Nach der Installation der Anlage überwacht IGS ihre Stromerzeugung, um eine ordnungsgemäße Leistung sicherzustellen.

Zuvor ermittelte IGS alle Leistungsabweichungen manuell. Dabei wurden durchschnittliche Verlaufsdaten in der Stromerzeugung vom eigenen On-Premises-SQL-Server in eine Excel-Tabelle exportiert und diese dann mit der Produktion verglichen. Dieser manuelle Prozess war jedoch zeitintensiv und nicht so genau. „Dass diese Anomalien erkannt werden, ist von entscheidender Bedeutung, damit unsere Kundschaft mit den Solarmodulen zufrieden ist“, sagt Shah. „Vor Snowflake bestand jedoch das Risiko falsch-negativer Erkennungen – das heißt, wir übersahen Anomalien. Hinzu kam das Risiko falsch-positiver Ergebnisse, sodass wir rausfuhren, dann aber gar keine Probleme vorfanden.“

Shahs Team entschied sich, die Idee eines ML-gestützten Modells von Streamlit zu testen. Dabei werden Wetterdaten und Spezifikationen von Photovoltaikanlagen verwendet, um eine unterdurchschnittliche Leistung vorherzusagen. Dank der Anwendungsfreundlichkeit von Streamlit gelang es Shahs Team innerhalb von nur zwei Wochen, eine erste Applikation zur Erkennung von Anomalien zu entwickeln, die interne Beteiligte testen konnten. „Mit Streamlit konnten unsere Data Scientists einige technische Aufgaben erledigen, mit Snowpark Modelle entwickeln und Lösungen für das operative Geschäft konzipieren“, so Shah. „Es ist ein einfaches Tool, mit dem sie Data-Science-Aufgaben erledigen können, ohne außerhalb ihres Ökosystems arbeiten zu müssen.“

Mit Blick auf die Zukunft evaluieren Shah und sein Team weiterhin neue, innovative Möglichkeiten der Wertschöpfung durch Daten. Und Snowflake ist ein wichtiger Partner auf ihrem Weg – egal, ob es darum geht, das Potenzial von KI und ML für sich zu nutzen oder mit Snowflake Marketplace neue Leads zu generieren. „Der Snowflake Marketplace bietet riesige Vorteile“, sagt Shah. „Der ELT-Prozess (Extract, Load, Transform) entfällt bei der Pflege von Daten und Schemata. So erhalten wir einfachen Zugriff auf eine Vielzahl hochwertiger Datasets und können diese nutzen – komplett in unserer Snowflake-Umgebung und mit unseren Daten zusammengeführt.“  

Für die Zukunft plant IGS, anhand räumlicher und demografischer Daten potenzielle Gebäude zu ermitteln, die für Lösungen mit erneuerbaren Energien infrage kommen.