„nachhaltige technologien 01 | 2023"

Die Vorhersage Die Vorhersage des Energie- und Grundwasserver- brauchs erfolgt mittels datengetriebener Modelle. Aufgrund der Anforderungen typischer Machine Learning-Modelle erfordert dies weitere Datenauf- bereitungen. Vor allem müssen sämtliche fehlende Werte gefüllt werden; das gewählte Vorgehen hierzu ist die Einführung von Ja-Nein-Variablen, die das Fehlen von Werten in anderen Variablen anzeigen, und das Füllen der fehlenden Werte mit einem be- liebigen Algorithmus (z. B. lineare Interpolation). Anschließend werden die Größen in drei Gruppen aufgeteilt: die vorherzusagenden Größen (Energie- und Grundwasserverbräuche) und die restlichen Grö- ßen (Kovariaten) in solche, die am vorherzusagenden Zeitpunkt bekannt sind (Steuerparameter, Wetter- vorhersagen), und solche, für die dies nicht der Fall ist (Anlagendaten). Die vorherzusagenden Größen werden zusätzlich entlang der Zeitachse in Trainings- und Validierungsdaten aufgeteilt (hier im Verhältnis 3:1). Für eine bessere Performance der Machine Learning-Modelle wird anschließend die Anzahl der Kovariaten auf etwa 30 reduziert, indem nur Kovaria- ten beibehalten werden, deren „Mutual Information“ mit den Zielvariablen eine bestimmte Schwelle über- schreitet. So gerüstet wurden verschiedene Machine Learning-Modelle mit den Trainingsdaten trainiert und ihre Vorhersageleistung „out of sample“ mit den Validierungsdaten bestimmt. Bislang zeigten vor allem Entscheidungsbaum-basierte Modelle wie penanlage hinsichtlich Energieverbrauch und Kosten zu optimieren. Dies soll erreicht werden, indem für einige Tage in die Zukunft ein Betriebsfahrplan als Empfehlung an die Betriebsführung ausgegeben wird. Kernkomponente dieses Fahrplans ist eine Sequenz mehrerer Werte des „Betriebszustandes“, einer im Gebäudeautomationssystem manuell durch das Facility Management festlegbaren Steuergröße. Die Umsetzung des Anwendungsfalls befindet sich in aktiver Entwicklung, weswegen die vorgestellten Ergebnisse und Schlussfolgerungen als vorläufig zu betrachten sind. Die Umsetzung der Algorithmik erfolgt in drei Schritten: (1) Datenaufbereitung, (2) Vorhersage von Energie- und Grundwasserverbrauch und (3) Bestimmung der Steuerwerte, die den vor- hergesagten Energieverbrauch minimieren. Die Ausprogrammierung der Software für das Facility Management erfolgt erst nach Abschluss der Algo- rithmenentwicklung. Die Datenaufbereitung Die Datenaufbereitung ist in der Entwicklung von Machine Learning-Anwendungen meist der zeitauf- wändigste Schritt. Im vorliegenden Anwendungsfall werden zunächst Metadaten aus dem Gebäudeauto- mationssystem abgerufen und daraus Beschreibun- gen der Sensoren und die physikalischen Einheiten ihrer Messwerte gewonnen. Anschließend werden Rohdaten für die relevanten Sensoren aus dem cloud- basierten Anlagenmonitoring abgerufen und auf ein Zeitraster gebracht (derzeit 30-Minuten-Abstände). Relevant sind hierbei neben den zu optimierenden Größen und den Steuergrößen die diversen Eigen- schaften (Energien, Leistungen, Volumen(ströme), Temperaturen) der Anlagen der zentralen Ener- giebereitstellung (Wärmepumpe, Kühlparameter, Heizparameter, Grundwasserpumpen) sowie vor Ort gemessene Wetterdaten. In der Cloud sind für alle Sensoren zweieinhalb Jahre historischer Mess- daten verfügbar. Ergänzt werden die Messgrößen um separat abgerufene Wetterdaten des Anbieters Meteonorm. Nach diesen Integrationsschritten wird geprüft, ob die Daten den Anforderungen entspre- chen (Exploratory Data Analysis). Von überragender Bedeutung sind hierbei visuelle Untersuchungen, denn „there is no excuse for failing to plot and look“ (Tukey). Nützlich sind darüber hinaus Größen mit über- lappender Bedeutung wie z. B. Aufzeichnungen des- selben Vorgangs in instantaner und kumulierter Form (z. B. Leistung und Energie), da dies direkt unplausi- ble Daten aufzeigt und deren Bereinigung erlaubt. Abschließend werden klare Ausreißer automatisiert aus den Daten entfernt, da diesen meist lediglich IT- Fehler zugrunde liegen. Nach Abschluss aller Berei- nigungsschritte umfassen die Daten 47 verschiedene Messgrößen zu knapp 44 000 Zeitpunkten. Veranschaulichung der Energieverbrauchsvorhersage für einen repräsentativen Zeitraum im Spätsommer 2022. Die Vorhersage (rot) setzt sich aus mehreren Einzelvorhersagen zusammen, die im Abstand von einem Tag getroffen werden und jeweils einen Tag weit in die Zukunft reichen. Die Außentemperatur (grün) ist die wichtigste Kovariante für die Vorhersage. Zu erkennen ist, dass die Vorhersage den realen Energieverbräuchen (blau) recht gut folgt. kW °C 150 100 50 0 Aug 19 Aug 16 2022 Aug 22 Aug 28 Aug 25 Aug 31 40 20 0 realer Energieverbrauch vorhergesagter Energieverbrauch Außentemperatur 17 16 DATENGESTEUERTE INTELLIGENTE GEBÄUDE