Energiedatenanalyse und Künstliche Intelligenz

In lokalen Energiesystemen werden bereits heute eine Vielzahl von Messgrößen überwacht und aufgezeichnet. Die Datengrundlage, die durch moderne Energiemonitoringsysteme zur Verfügung gestellt wird, bietet die Basis für den Einsatz moderner Verfahren aus dem Bereich künstliche Intelligenz und Maschinenlernen. Diese Verfahren ermöglichen eine automatisierte und vorausschauende Optimierung lokaler dezentraler Energiesysteme.

Ausgehend von einer Analyse der Last- und Erzeugungsprofile in Ihrem Energiesystem zeigen wir Optimierungs- und Einsparpotenziale auf. Wir bieten Prognosealgorithmen für Lastprofile und vorausschauende Betriebsstrategien für energietechnische Anlagen und Speicher. Mit diesen Optimierungen werden Kosteneinsparungen und Effizienzerhöhungen erreicht.

Analyse von Last- und Erzeugungsprofilen

© Fraunhofer IISB
Python-Tool zur Analyse von Lastgängen, dargestellt werden der Zeitverlauf (oben), die Jahresdauerlinie (unten links), die Auftrittsdauer verschiedener Leistungsbereiche (unten mittig) sowie ein Rasterdiagramm (unten rechts)

Die Analyse der Messdaten aus dem betrachteten Energiesystem stellt die Grundlage für die Detektion von Optimierungsmaßnahmen dar. Für die quantitative und qualitative Auswertung werden verschiedene Darstellungen eingesetzt:

  • Zeitverlauf der betrachteten Größe (z. B. des Strombedarfs)
  • Jahresdauerlinie: Die kumulierte Zeit (x-Achse) zeigt an, wie viele Stunden im Jahr eine vorgegebene Leistung (y-Achse) überschritten wird.
  • Balkendiagramm: Im Gegensatz zur Dauerlinie wird die Auftrittsdauer (y-Achse) von Leistungsbereichen (x-Achse) aufgezeigt.
  • Rasterdiagramm: Zuordnung der mittleren Leistungen (Farbachse) zum Tag des Jahres (x-Achse) sowie zur Zeit des Tages (y-Achse).
Eine solche Datenanalyse ist der initiale Schritt bei der Optimierung von Energiesystemen und -komponenten. Sie dient außerdem zur Validierung, ob die gewünschten Ziele erreicht wurden.

Lastgang-Analyse-Tool

Das Lastgang-Analyse-Tool steht als kostenloser Download verfügbar. Das Video zeigt einen kurzen Überblick über die Funktionalität des Tools.

Lastprognosen

© Fraunhofer IISB
Schematische Darstellung des Ablaufs eines Prognosealgorithmus
© Fraunhofer IISB
Lastprognose für den Kältebedarf (oben) eines lokalen Energiesystems, welcher stark von der Anlagenleistung (unten) einer Produktionsanlage abhängt

Energienetze sind dynamisch in ihren Anforderungen. Durch den Einsatz von Lastprognosen wird eine vorausschauende Planung und Steuerung ermöglicht. Insbesondere bei der Betriebsführung von Speichern im sektorgekoppelten Energiesystem können durch vorausschauende Betriebsstrategien auf der Basis von Prognosen erhebliche Kostenreduktionspotenziale realisiert werden.

Die Forschungsaktivitäten am Fraunhofer IISB zielen auf automatisierte, selbst-lernende Prognosealgorithmen ab und konzentrieren sich auch auf die Umsetzbarkeit der Algorithmen in realen Anwendungen. Ein besonderer Fokus liegt auf lokalen Energienetzen im industriellen Umfeld.

Am Fraunhofer IISB werden zur Erstellung von Lastprognosen verschiedene Methoden angewendet:

  • Vergleichtagsverfahren
  • AR, ARIMA, ARMAX –Modelle
  • Künstliche neuronale Netzwerke (KNN)
  • Algorithmen aus dem Bereich Maschinenlernen
Zur Demonstration wurden für die institutseigenen elektrischen und thermischen Lastprofile ein vollständig automatisiert ablaufender Prognosealgorithmus entwickelt und am Fraunhofer IISB implementiert. Es erfolgt täglich eine Neu-Berechnung der Prognosemodellparameter auf Basis von historischen Daten der vergangenen Wochen. Somit werden Veränderungen im Energiesystem erlernt. Die Prognostizierung des Lastverlaufs über einen Zeithorizont von 48 h erfolgt stündlich auf Basis der Prognose-Eingangsdaten (aktuelle Daten sowie externe Einflussgrößen, z.B. Wettervorhersage). Die erreichten Prognose-Genauigkeiten liegen im Bereich von 5 % (elektrisches Lastprofil) bis 10 % (thermisches Lastprofil). (Angabe der Genauigkeit: MAPE, mittlerer absoluter prozentualer Fehler).

Datenbasierte Modellierung

© Fraunhofer IISB
Schematische Darstellung des Ablaufs zur Erstellung eines datenbasierten Modells für eine Energiesystemkomponente

Zur Simulation von Energiesystemen werden Modelle der einzelnen Komponenten, wie z.B. lokale Energieerzeuger, Energiewandler und Energiespeicher, benötigt. Wichtig ist die Auswahl eines geeigneten Modellierungs-Detailgrads angepasst an den jeweiligen Einsatzzweck. Für Betrachtungen auf Energiesystemebene eignen sich häufig datenbasierte Blackbox- oder Greybox-Modelle. Zur Entwicklung solcher datenbasierten Modelle werden am Fraunhofer IISB verschiedene Methoden eingesetzt: Parameteridentifikation auf Basis von Datenanalyse-Methoden, künstliche neuronale Netze, Regressionsmodelle, Methoden aus dem Bereich des Machine Learning, etc.

Die Entwicklung dieser Modelle erfolgt üblicherweise in einem manuellen Entwicklungsprozess. Die Forschungsaktivitäten am Fraunhofer IISB umfassen darüber hinaus auch Algorithmen zur automatisierten datenbasierten Modellerstellung. Diese sind ein wichtiger Baustein für ein automatisiertes, selbstlernendes Energiemanagementsystem.