Mikroprojekt: EMONKI – Energiemonitoring mit Kl-basierter Datenanalyse
Projektvolumen: 130.600,60 € (davon 25 % gefördert)
Projektträger: Projektträger Jülich für das BMWE
Start: 07/2023
Ende: 06/2024
Ausgangssituation
Effizienzsteigerung durch frühzeitige Störungserkennung
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.
Unsichtbare Energieverluste erkennen
Während Pressemeldungen über offensichtliche Schäden wie etwa offene Wasserhähne berichten, bleiben alltägliche Energieverluste – etwa durch gekippte Fenster in ungenutzten Gebäuden am Wochenende – häufig unentdeckt. Durch ein Monitoring und eine unmittelbare Benachrichtigung der zuständigen Ansprechpartner können Mehrverbräuche entdeckt und Kosten vermieden werden.
Ziele
1. Verbrauchsmuster erkennen und Mehrverbräuche detektieren
Das Projekt „EMONKI“ verfolgt das Ziel, die Verbrauchsmuster von Gebäuden zu erlernen und auf Basis dessen Mehrverbräuche zu detektieren. Diese bleiben zum Teil durch einfache Grenzwertsetzung unentdeckt.
2. KI-gestützte Anomalie-Erkennung
Bereits bestehende Prototypen zur Anomalie-Erkennung in Verbrauchsverläufen sollen weiterentwickelt und durch die Verwendung von künstlichen neuronalen Netzen optimiert werden. Hierzu werden neuronale Netze auf historischen Energieverbrauchsdaten kommunaler Gebäude trainiert, um typische Verbrauchsmuster zu erlernen und vorherzusagen. Dadurch kann die Modellierung, neben den Verbräuchen selbst, auch mit kontextualen Informationen angereichert werden.
Insbesondere für eine Anwendung im Wärmebereich kann die Erkennungsfähigkeit durch die Berücksichtigung von Umgebungsdaten (z.B. Temperaturdaten) weiter optimiert werden. Dies ermöglicht eine dynamische Mehrverbrauchserkennung und somit eine gute Grundlage für Effizienzmaßnahmen. Neben Wärme soll der Ansatz auch für die Medien Wasser und Strom adaptiert und zur Marktreife geführt werden, da ein Parallelbetrieb für verschiedene Medien die Erkennungsfähigkeit ebenfalls erhöht.
3. Integration in ein Energiemanagementsystem
Die Funktionalität soll anschließend in das regio iT Energiemanagementsystem „e2watch“ integriert werden. Dadurch kann das System erwartete mit tatsächlichen Verbräuchen vergleichen und bezüglich anormaler Abweichungen bewerten. Diese stark individualisierte Anomalie-Erkennung soll auch die Detektion von versteckten Störungen ermöglichen und somit eine fundierte Grundlage für Entstörung und Optimierung bieten.
Die Vorhersage von Wärmeverbräuche öffentlicher Gebäude soll zudem eine kontextsensitive Anomalie-Erkennung ermöglichen und bei Kunden unmittelbar Kosten- und Emissionseinsparungen im Betrieb kommunaler Immobilien (insbesondere Schulen und Kindergärten) bewirken.
Meilensteine
Das Projekt gliedert sich in folgende Arbeitspakete und Meilensteine:
- AP 1: Datenbereitstellung
- Analyse von Daten unterschiedlicher Wärmemedien (Fernwärme, Gas) im Vergleich zu Wasser und Strom
- Breitstellung und Aufbereitung von statischen Trainingsdaten
- Trainings-/Test-/Validierungssplit der Trainingsdaten (inklusive Qualitätsüberprüfung)
- AP 2: Anpassung auf Wärmeanomalien
- Erweiterung Datenmodel des Prototyps zur Einbeziehung von Temperaturdaten
- Tests und Evaluation auf Basis bisheriger Baseline
- AP 3: Evaluierung von Verbesserungspotentialen
- Verbesserung der Übertragbarkeit auf unterschiedliche Objekte durch Transfer-Lernen
- Optimierung des Lernprozesses durch verteiltes Lernen (Multi-CPU Training)
- AP 4: Exemplarische Produktivsetzung
- Einrichtung Inference-Server
- Einrichtung Rest-Schnittstelle in e2watch für Kommunikation mit Inference-Server
- Test von Schnittstellen- und Inference-Server-Performance
- AP 5: Anpassungen der Benutzeroberfläche
- Anpassungen der Benutzeroberfläche in e2watch zur Verwaltung KI-generierter Warnmeldungen
Projektpartner
Keine