Tools


Siemens Worldwide

Pictures of the Future

Contact

Kontakt

sts.components.contact.mr.placeholder Sebastian Webel
Herr Sebastian Webel

Chefredakteur

Tel: +49 89 636-32221

Fax: +49 89 636-35292

Werner-von-Siemens-Straße 1
80333 München

Pictures of the Future
Das Magazin für Forschung und Innovation
 

Künstliche Intelligenz

Die Wissenschaft der Prognosen

Vorhersage via Software: Dr. Hans-Georg Zimmermann von Corporate Technology hat das lernende System „Software Environment for Neural Networks” entwickelt – ein Prognosetool auf Basis neuronaler Netze.

Wann ist für ein Unternehmen der beste Zeitpunkt, um Strom oder Rohstoffe zu kaufen? Wie weit im Voraus lässt sich die Energieproduktion eines Windparks möglichst präzise vorhersagen? Siemens entwickelt Verfahren, die die Schlüsselparameter solcher Systeme automatisch erkennen, überwachen und daraus lernen können. Damit werden langfristige Voraussagen mit erstaunlicher Genauigkeit möglich.

Schauen Sie mal für einen Moment aus dem Fenster. Was sehen Sie? Vermutlich Gebäude und Bäume … doch wenn Sie noch nie ein Haus oder einen Baum gesehen oder auch nur davon gehört hätten, würde Ihnen die Umgebung wohl eher wie ein wirres Durcheinander unbekannter Formen vorkommen. Dass dies nicht so ist, liegt an den Lernprozessen in unserer Kindheit, die dazu führten, dass unser Gehirn Modelle gebildet hat. Sie ordnen die Menge an Bilddaten, die unsere Augen liefern, sofort in Kategorien ein. Künstliche Systeme stehen vor einer ähnlichen Herausforderung, allerdings arbeiten die betreffenden Modelle mit Mustern, die so vielschichtig sind, dass wir niemals etwas darin erkennen könnten – und doch sind das Muster, mit deren Hilfe immer erfolgreichere Vorhersagen getroffen werden.

Präzise Nachfrageprognosen

Und sie funktionieren! Die Prognosetechniken, die zurzeit bei Siemens entwickelt werden, liefern erstaunlich scharfe Schnappschüsse der Zukunft. Dabei können Leistung, Verhalten und Wartungsbedarf von Systemen – von der Turbine bis zum Windpark – genauso vorhergesagt werden wie ökonomische Trends oder die Entwicklung von Rohstoffpreisen und Börsenkursen. Schon jetzt wird Siemens beim Einkauf von Strom in Deutschland und für den Kupferbedarf weltweit durch Vorhersagen seines lernenden Systems Software Environment for Neural Networks (SENN) unterstützt. Es ist nach den Worten des leitenden Forschers Dr. Hans-Georg Zimmermann, „das technisch ausgefeilteste hochdimensionale, nichtlineare Modellbildungssystem seiner Art.“ Dank 20 Jahren Erfahrung in der Integration von mathematischer Forschung, Software-Entwicklung und realen Anwendungen konnte SENN durchgängiger als jedes andere Programm auf die Prognostik konzentriert werden.

Zimmermann hat die mathematischen Grundlagen für über 60 industrielle Prognosesysteme geschaffen, besitzt 22 Patente zum Schutz der entsprechenden Modellarchitekturen des Software-Systems und hält Vorlesungen in Quantitative Finance. Neuronale Netze bieten seiner Meinung nach wesentliche Vorteile gegenüber konventionellen Prognosesystemen auf Basis linearer Logik. "Neuronale Netze kommen mit realen Anwendungen zurecht, egal, wie nicht-linear oder hochdimensional das zugrundeliegende Problem ist. Außerdem sind sie ein eleganter Rahmen für die Modellierung temporärer Strukturen", erklärt er. In einer aktuellen Studie, bei der es um die Vorhersage der Nachfrage für 16 verschiedene Schaltschrankmodelle ging, hat Zimmermanns Team SENN gegen ein lineares Modell ins Rennen geschickt. Die beiden Systeme prognostizierten für jeden Schaltschrank die Absatzvolumina für ein ganzes Jahr, Monat für Monat. Dabei bezog SENN auch Faktoren wie Währungskurse und Schwankungen des Automatisierungsmarktes mit ein. Das Ergebnis: SENN erzielte einen Vorhersagefehler von nur 23,3 Prozent und ist damit viel genauer als das lineare Modell mit 52,6 Prozent. „Solche hochpräzisen Nachfrageprognosen können bei der Optimierung der Lieferkette helfen und die Kosten reduzieren“, sagt Zimmermann.

Auch bei der Vorhersage der Leistung von Windparks spielt SENN eine wichtige Rolle. An Daten eines großen Offshore-Windparks in Dänemark wird derzeit ein SENN-Modell getestet. Es prognostiziert anhand der Vorhersagen für Windgeschwindigkeit, Temperatur und Luftfeuchte die Stromproduktion des Parks für die nächsten drei Tage auf bis zu 7,2 Prozent genau. Bei einer Vorhersage von 100 würde also der tatsächliche Wert zwischen 92,8 und 107,2 liegen. „Die Prognosegüte hängt in erster Linie an der Qualität der Daten“, erklärt Zimmermanns Kollege Dr. Ralph Grothmann. „Das Wetter wissen wir zum Beispiel für drei Tage im Voraus hinreichend genau.“

Neuronale Netze: Meister des Unbekannten

„Mit dem steigenden Anteil von erneuerbaren Energien wie Wind am Energiemix müssen Energieversorger nicht nur die Nachfrage, sondern auch die Liefermengen vorhersagen können“, erklärt Zimmermann. „Solche Prognosen sind wichtig, damit man einschätzen kann, wann etwa Gasturbinen zugeschaltet werden müssen.“ Dafür hat Zimmermanns Team ein neuronales Netz entwickelt, das auf den wesentlichen Einflussparametern für die Stromerzeugung durch Windkraft basiert. „Ziel ist es, ein Software-Modell zu entwickeln, das die reale Welt mathematisch darstellt“, erklärt Zimmermann. Zu Beginn weiß das Modell jedoch nicht, wie wichtig die einzelnen Parameter sind – genau hier kommt das maschinelle Lernen ins Spiel.

Zunächst weiß das System nur, dass es mit dem Input während der Trainingsphase ein Ergebnis produzieren muss, das der tatsächlichen Leistung des Windparks nahe kommt. Ausgehend von einer großen Diskrepanz am Anfang ändert der Lernalgorithmus die einzelnen Modellparameter nach und nach derart, dass die berechnete und die tatsächliche Leistung einander immer ähnlicher werden. Das System misst über mehrere tausend Iterationen seinen Vorhersagefehler und bewegt sich von anfänglichen Zufallsergebnissen weg, da es lernt, welche Gewichtungskombinationen von Parametern welche Ergebnisse erzielen. „Das ist, wie beim Fußball Tore schießen zu lernen“, erklärt Zimmermann. „Der Spieler weiß nur, dass er den Ball ins Tor bekommen muss. Indem er es immer wieder in vielen Spielsituationen übt, lernt er schließlich, wie es geht.“

Auch SENN hat gelernt, wie es geht. Sein durchschnittlicher Vorhersagefehler bei der Prognose der Gesamtleistung des Windparks pro Tag – genauer, die Wurzel aus der mittleren quadratischen Abweichung – liegt nun bei 7,2 Prozent. Das ist ganze drei Prozentpunkte besser als das nächstbeste Modell der Physik. Für Photovoltaikanlagen werden zurzeit ähnliche Modelle entwickelt.

Den wahrscheinlichsten Trend errechnen

Auch für die Modellierung der NOX-Emissionen von Gasturbinen hat Zimmermanns Team ein neuronales Netz erstellt. Wie beim Windpark begann SENN mit Rohdaten und dem Ziel, im Lauf der Zeit die tatsächliche Turbinenleistung zu berechnen. Je mehr das Modell über die Beziehung der einzelnen Variablen zueinander lernte, desto besser konnte es das Verhalten der Turbine simulieren und so schließlich ihr Verhalten in Echtzeit und mit extrem hoher Genauigkeit voraussagen.

In einer Turbine – und in jedem anderen komplexen System – passiert jedoch noch viel mehr, als sich in ihren bekannten Variablen ausdrücken lässt. „Manche Variablen lassen sich nicht messen, und wieder andere kennen wir gar nicht“, erläutert Zimmermann. Solche unbeobachteten Variablen können eine enorme Unsicherheit darstellen. „Hier haben wir eine neue Methode entdeckt, das Unbekannte zu erklären – und zwar als Interaktion von erkennbaren und versteckten Variablen.“

Der gewöhnliche Ansatz für die Messung von Unsicherheit in dynamischen Systemen ist die Abweichung zwischen der Vorhersage des Modells und dem, was in der Realität tatsächlich geschieht, in eine Risikoeinschätzung zu verwandeln. Dafür wird angenommen, dass über die Unsicherheit, die in der Vergangenheit gemessen wurde, das zukünftige Risiko gut abgeschätzt werden kann. „In der Finanzwelt, zu der auch die Kupfer- und Strompreise gezählt werden, ist es üblich, die Verteilung der Unsicherheit als Diffusionsprozess zu sehen, kalibriert durch die früher gemessenen Modellfehler“, sagt Zimmermann. „Die Diffusion der Unsicherheit wird dabei immer größer, je weiter wir in die Zukunft gehen.“

Zimmermann und sein Team haben hingegen einen alternativen Ansatz entwickelt. Da es nicht möglich ist, versteckte Systemvariablen eindeutig zu rekonstruieren, kann die Prognoseunsicherheit quantifiziert werden, indem man die Verteilung des Eintretens verschiedener Szenarien analysiert. Die Streuung der Szenarien wird dabei als Risikolevel interpretiert. Ein Hauptszenario auf Grundlage der Durchschnittswerte der verschiedenen Einzelszenarien – die alle die gleiche Wahrscheinlichkeit haben – kann dann als der wahrscheinlichste Zukunftstrend gesehen werden.

„Das Marktrisiko wird auf diese Weise über die Variation der Szenarien charakterisiert“, sagt Zimmermann. Bei einer begrenzten Anzahl von Beobachtungen gäbe es dann immer mehrere Wege, um versteckte Variablen zu rekonstruieren, so dass sich für die Zukunft verschiedene Szenarien ergäben. Siemens wendet diese Methoden bereits an, um Entscheidungen beim Strom- und Kupfereinkauf zu unterstützen. „Anstatt einer einzigen zukünftigen Entwicklung“, fügt Zimmermann hinzu, „bietet diese Methode eine Reihe verschiedener Szenarien, die dann ausgewertet werden können.“

Wie könnte sich die Wissenschaft der Prognose in den nächsten Jahren weiter entwickeln? Blickt man in die Vergangenheit, liegt es nahe, anzunehmen, dass ihre Genauigkeit weiter zunehmen wird. Denn laut Zimmermann lernen nicht nur die SENN-Modelle – auch ihre Schöpfer lernen ständig hinzu, während sie Modelle entwickeln, die immer genauere Abbildungen der Realität darstellen.

Über Prognosen für Strom- und Rohstoffpreise oder die Leistung von Windparks und Turbinen hinaus eröffnet SENN eine praktisch unbegrenzte Zahl von Anwendungen. Sie könnten helfen, einige der schwierigsten, komplexesten und teuersten Entscheidungen unserer Zeit zu treffen: Investitionen von Städten und Regionen bei Straßenbau, Luftfahrt, Wasser- und Stromversorgung. Bei Siemens wird bereits das Potenzial von SENN als Entscheidungshilfe getestet, zum Beispiel, wenn es darum geht, die langfristigen Vorteile verschiedener Standorte zu bestimmen, bevor man neue Fabriken baut.

Und darüber hinaus? Im Siemens-Intranet können interne Kunden der Corporate Technology schon heute anhand des Demo-Projekts SENN Forecast Server die Möglichkeiten von SENN erkunden. Zehn Jahre weitergedacht, und wir könnten beispielsweise SENN-Apps herunterladen, um die Funktionen unserer Häuser, Fahrzeuge, Unternehmen oder Lieferketten zu überwachen, davon zu lernen, Diagnosen zu erstellen und die Prozesse zu optimieren. Zukünftige Versionen von SENN könnten sogar Szenarien anbieten, die optimierte, personalisierte Prozesse in den Bereichen Ernährung, Gesundheit, Bildung und Finanzen unterstützen. „Die Prognostik“, resümiert Zimmermann, „ist ein Rennen zwischen der ansteigenden Komplexität der Welt und unserer zunehmenden Fähigkeit, mit den Möglichkeiten der Informationstechnologie – wie den SENN-Modellen – die Welt mathematisch abzubilden.“

Arthur F. Pease
Picture credits: von oben: 2.Bild bluemagenta, 3.Prisma