Mikroprojekt: EMONKI – Energiemonitoring mit Kl-basierter Datenanalyse
Ausgangssituation
Der verantwortungsvolle Umgang mit knappen Ressourcen erfordert Systemoptimierungen und Effizienzsteigerungen bei der Nutzung von Energie. Dazu gehört auch die Vermeidung von Mehrverbräuchen, die durch spät oder nicht erkannte Störungen hervorgerufen und mit erheblichen Kosten und unnötigen Emissionen einhergehen können. Die automatisierte Detektion von Störungen in der Energieversorgung kommunaler Gebäude kann dazu beitragen, möglichst zeitnah Maßnahmen zur Entstörung und Optimierung zu veranlassen und Mehrkosten zu vermeiden. Während Pressemeldungen über umfangreiche Schäden die offensichtlichen Auswirkungen von Störungen zeigen, wie etwas im Fall offener Wasserhähne, bleiben dagegen z.B. gekippte Fenster in ungenutzten Gebäuden am Wochenende öfter unentdeckt. Durch ein Monitoring und eine unmittelbare Benachrichtigung der zuständigen Ansprechpartner können Mehrverbräuche entdeckt und Kosten vermieden werden.
Konsortium: keine Partner
Dauer: 12 Monate
Start: 07/2023
Ende: 06/2024
Projektvolumen: 130.600,60 € (100 %, davon werden 25% gefördert)
Projektträger: Projektträger Jülich für das BMWK
Ziele
Das Ziel des vorgeschlagenen Projektes ist die Weiterentwicklung bereits entwickelter Prototypen zur Anomalie-Erkennung in Verbrauchsverläufen mit künstlichen neuronalen Netzen. Dazu werden reale Verbrauchswerte der Vergangenheit mit Prognosedaten verglichen. Insbesondere für eine Anwendung im Wärmebereich kann die Erkennungsfähigkeit durch die Berücksichtigung von Umgebungsdaten (z.B. Temperaturdaten) weiter optimiert werden. Neben Wärme soll dieser Ansatz auch für die Medien Wasser und Strom adaptiert und zur Marktreife geführt werden, da ein Parallelbetrieb für verschiedene Medien die Erkennungsfähigkeit ebenfalls erhöht. Das Konzept soll im Anschluss an das Vorhaben in ein Energiemanagementsystem integriert werden, um möglichst zeitnah eine Verbesserung der Erkennung von Abweichungen und Störfällen zu erzielen und bei den Kunden unmittelbar Kosten- und Emissionseinsparungen im Betrieb kommunaler Immobilien (insbesondere Schulen und Kindergärten) bewirken zu können.
Meilensteine
AP1: Datenbereitstellung – Analyse Daten unterschiedlicher Wärmemedien (Fernwärme, Gas) im Vergleich zu Wasser und Strom. – Breitstellung und Aufbereitung von statischen Trainingsdaten. – Trainings-/Test-/Validierungssplit der Trainingsdaten (inklusive Qualitätsüberprüfung)
AP2: Anpassung auf Wärmeanomalien – Erweiterung Datenmodel des Prototyps zur Einbeziehung von Temperaturdaten. – Tests und Evaluation auf Basis bisheriger Baseline
AP3: Evaluierung von Verbesserungspotentialen – Verbesserung der Übertragbarkeit auf unterschiedliche Objekte durch Transfer-Lernen – Optimierung des Lernprozesses durch verteiltes Lernen (Multi-CPU Training)
AP4: Exemplarische Produktivsetzung – Einrichtung Inference-Server – Einrichtung Rest-Schnittstelle in e2watch für Kommunikation mit Inference-Server – Test von Schnittstellen- und Inference-Server-Performance
AP5: Anpassungen der Benutzeroberfläche – Anpassungen der Benutzeroberfläche in e2watch zur Verwaltung KI-generierter Warnmeldungen
Projektpartner
Keine
Assoziierte Partner
Keine
Bausteine
–
Aktuelles
–