„nachhaltige technologien 01 | 2023"

die Vermeidung sogenannter Lock-In-Effekte (Vendor Locks), bei denen es für Anwender*innen schwierig ist, den Anbieter zu wechseln. Obwohl es über 60 Prozent der von uns befragten Expert*innen für sehr wichtig halten Vendor Locks zu vermeiden, sind nur 30 Prozent der Befragten bereit ihre Datenmodelle und Ontolo- gien für andere Anwender*innen zur Verfügung zu stellen. Dieser Umstand zeigt, wie wichtig es ist, den Entwickler*innen und Anwender*innen von IoT-Soft- ware die kommerziellen und nicht-kommerziellen Vorteile von offenen Lösungen nahezubringen. Trotz der vielen Einsatzmöglichkeiten für IoT-Infra- struktur, wie Regelungsoptimierung, Demand-Side- Management oder der automatischen Erkennung von Fehlern, werden IoT-Middleware-Plattformen zur Zeit hauptsächlich zur Visualisierung von Energie- verbrauch und Energieproduktion, zur Systemüber- wachung und zur Darstellung der Energieeffizienz eingesetzt. Inframonitor am Innovation District Inffeld der TU Graz In Abstimmung mit dem Projekt Klimaneutrale TU Graz 2030 [2] wird der Campus Inffeldgasse in den kommenden Jahren zum Innovation District Inffeld weiterentwickelt. Das Initialprojekt UserGRIDs [3] , ist der erste Schritt in Richtung eines Living Labs, in dem die TU Graz intelligente Energiesysteme der Zukunft erforscht und erprobt. Das Rückgrat dieses Living Labs ist die IoT-Plattform Inframonitor. Diese ermöglicht die Kommunikation zwischen physikalischen Geräten, Sensoren und Ak- tuatoren, in verschiedenen Gebäuden und bietet den Gebäudetechniker*innen intelligente Services, die automatisch Wasserverbrauch, Energieproduktion aus Photovoltaik, sowie den Energieverbrauch der Gebäude und Versuchsanlagen analysieren, auf- zeichnen und visualisieren. Zudem sind aktuell Funk- tionen zur automatisierten Fehlererkennung und Re- gelungsoptimierung in Entwicklung bzw. Erprobung. Abbildung 1 zeigt einen Überblick über den Inframo- nitor am Beispiel intelligenter Wasser- und Strom- zähler. Messwerte (energy meter, water meter) wer- den an einen MQTT-Broker übermittelt und in einer Datenbank (influxDB) gespeichert. Die automatisier- te Diagnose der Abweichung zwischen Messdaten und prognostizierten Daten erzeugt im Bedarfsfall ein Warnsignal (system status /alerting). Eine detail- lierte Beschreibung der umfangreichen Funktionen und Details zur Systemarchitektur können in [4] nach- gelesen werden. Abbildung 2 zeigt die Visualisierung der Strompro- duktion durch drei Photovoltaikanlagen am Innova- tion District Inffeld, sowie deren Diagnosezustand. Dieser wird aus dem Vergleich zwischen Messwerten Abbildung 2: Visualisierung der PV-Ertragsdiagnose Abbildung 1: Architektur des Inframonitors energy meter publish updates updates invokes mqtt broker subscribes delivers updates matt client (consumption) system status/ alerting influxDB data model mqtt client (prediction) db client delivers updates water meter 25 % 25 %