Probabilistische Zeitreihen & Unsicherheiten: KI in der Praxis 

Herzliche Einladung zu unserem nächsten Meetup in Karlsruhe - diesmal vor Ort bei Smight!

Talk 1: Probabilistische Synthese elektrischer Lastgänge unter Populationsverschiebung — ein Praxisbeispiel (Pascal Pflanz, Data Scientist bei SMIGHT)
Verteilnetzbetreiber (VNB) können nur dort handeln, wo sie etwas sehen — und in Niederspannungsnetzen sehen sie sehr wenig: je nach VNB sind nur rund 10 % der relevanten Niederspannungsbetriebsmittel messtechnisch erfasst. Day-Ahead-Entscheidungen im Netzbetrieb, wie Engpassbewertung und -management, müssen dennoch für alle getroffen werden.

Der Ansatz behandelt dies als Cold-Start-Problem und nicht als Prognoseproblem: Aus statischen Merkmalen eines Abgangs und bekannten dynamischen Kovariaten (Wetterprognose, Kalender) synthetisiert das Modell einen vollständigen Day-Ahead-Lastgang für ungemessene Abgänge. Da die Unsicherheiten erheblich und teilweise inhärent nicht reduzierbar sind (unbekanntes Verbrauchsverhalten, Stammdatenqualität, Wetterprognose), lässt sich die Fragestellung des VNB durch Punktprognosen kaum beantworten. Das Verfahren gibt daher kalibrierte marginale Wahrscheinlichkeitsverteilungen je Zeitschritt aus, validiert an Abgängen, die vollständig aus dem Training ausgeschlossen wurden. Daraus wird eine bedingte Day-Ahead-Wahrscheinlichkeit für eine Schwellwertverletzung abgeleitet, die dem VNB risikoinformierte Entscheidungen über den Einsatz von Maßnahmen erlaubt.
Eine Schwellwertverletzung je Abgang und Zeitschritt ist allerdings noch kein Engpass. Ein nachgelagertes Verfahren, das für Abgänge mit erhöhter Verletzungswahrscheinlichkeit Eintrittswahrscheinlichkeit und Ausmaß eines tatsächlichen Engpasses abschätzt, bleibt ein Ausblick.

Talk 2: Conformal Prediction for Time Series Forecasting (Nick Koch, Data und ML Engineer bei inovex)
Wir untersuchen den entscheidenden Wandel von der einfachen Punktschätzung zur probabilistischen Unsicherheitsquantifizierung in der Zeitreihenvorhersage, wobei der Schwerpunkt auf dem robusten Framework der Conformal Prediction (konforme Vorhersage) liegt.

Zunächst vergleichen wir die standardmäßige Conformal Prediction mit der einfachen Quantilregression. Dabei beleuchten wir, wie die Conformalized Quantile Regression die adaptive, Heteroskedastizität berücksichtigende Natur von Quantilmodellen erfolgreich mit den strengen, für endliche Stichproben geltenden marginalen Abdeckungsgarantien (Marginal Coverage Guarantees) konformer Methoden vereint.

Als Nächstes befassen wir uns mit der grundlegenden Annahme der Austauschbarkeit (Exchangeability), die für die klassische Conformal Prediction zwingend erforderlich ist. Wir diskutieren, warum zeitliche Dynamiken – wie Autokorrelation, Volatilitäts-Clustering und Konzeptdrift (Concept Drift) – diese Kernvoraussetzung grundlegend verletzen.

Um diese Einschränkung zu überwinden, stellen wir moderne algorithmische Verfahren vor, die speziell dafür entwickelt wurden, sich von der Annahme der Austauschbarkeit bei sequenziellen Daten zu lösen. Wir untersuchen konzeptionelle Ansätze, die kontinuierliche Feedback-Schleifen, gleitende Residuenfenster und adaptive Gewichtungen nutzen, um auch bei Verteilungsverschiebungen (Distribution Shifts) eine valide Abdeckung aufrechtzuerhalten, ohne dabei auf statische Kalibrierungsdatensätze angewiesen zu sein.

Folgende ungefähre Agenda erwartet dich:

• ab 18 Uhr Ankommen
• 18:30 Uhr 1. Vortrag & Fragen
• 19:15 Uhr Pause mit Essen & Gesprächen
• 19:45 Uhr 2. Vortrag & Fragen
• 20:30 Uhr Abschluss und Zeit für weitere Gespräche

Das Meetup findet in deutscher Sprache statt.
Wir freuen uns auf dich!