Mustererkennung in Energieverbrauchsdaten Ein Modul für die Energiemanagement-Software IngSoft InterWatt Karsten Reese & Dr. Roberto Monetti Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 1
Agenda Unternehmen, Einordnung in den Systemzusammenhang Einführung, Grundlagen Praxiserfahrungen Zusammenfassung, Ausblick Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 2
Unternehmen, Einordnung in den Systemzusammenhang Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 3
Team Pionier im Bereich Energiemanagement Unternehmensgründung 1997 Klarer Fokus auf Energiemanagement- Software Kontinuierliche Weiterentwicklung der Software Stetiger Teamausbau durch wachsende Kundenanforderungen Ingenieurskompetenz Interdisziplinär Langjährige Praxiserfahrung verbunden mit aktuellstem technischen Know-how Energieexperten im Support Leistungsfähige Entwicklung (in-house) Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 4
Systemübersicht IngSoft InterWatt Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 5
Auszug aus mehr als 100 Referenzen Industrie Energiebranche Handel/ Finanzbranche Dienstleister Öffentliche Hand Stadt Nürnberg Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 6
Einführung, Grundlagen Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 7
Energiecontrollingsysteme sammeln viele, viele Daten Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 8
Auffälligkeiten durch Visualisierung entdeckbar Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 9
Modul zur Mustererkennung in Energiedaten Mustererkennung als automatische Analyse (neu eingegangener) Energiedaten Allgemeingültig Unüberwacht Ergebnis: Anzeige / Auflistung der Einheiten mit Auffälligkeiten, z.b. Hoher Verbrauch Unüblicher Verbrauchsverlauf Mögliche Defekte Industrielle Prozesse: Information von Sensoren zusammenfassen und analysieren zur Verbesserung der Fehlerdiagnose. Unüberwachtes Lernen: Automatisches Lernen des typischen Verlaufs des Energieverbrauchs Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 10
Oszillatorische Komponenten - Ensemble Betrachtung 1 Tag 1 Jahr 1 Woche 1 Jahr 1 Woche 1 Tag Oben: Mittleres Powerspektrum über alle Ensemble- Mitglieder Unten: Frequenzinhalte aller Ensemble- Mitglieder bei ausgewählten Frequenzen Gewerblich Privathaushalte Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 11
Typische zeitliche Verläufe als Grundlage Automatische Erkennung von Ähnlichkeiten in Tagesprofilen Mittel über 208 Tage Betriebstage Mittel über 61 Tage Sonntag und Feiertage Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 12
Training: Clustering findet ohne Vorwissen typische Tage Der K-Means-Algorithmus findet (hier 6) Clusters und ordnet einzelne Tage jeweils zu Anzahl der Elemente (Anzahl der Tageslastgänge) in jedem Cluster. Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 13
Verteilung der Wochentage auf die einzelnen Cluster Nach Gruppenbildung (Clustering) ergeben sich weitere Auswertungsmöglichkeiten. Diese Plots zeigen welche Wochentage in jedem Cluster vorkommen (0 bis 6 -> Montag bis Sonntag; 7 -> Feiertage) Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 14
Clusterdaten Gemittelte Tageslastgänge (rote Kurven) und die dazugehörigen Standardabweichu ngen (grüne Kurven). Die Scatterplots zeigen den Tagesverbrauch in Abhängigkeit der Temperatur und den linearen Fit (grüne Linie). Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 15
Variante für temperaturabhängigen Verbrauch Cluster mit ähnlicher Wochentagsverteilung aber unterschiedlicher Temperaturverteilung Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 16
Variante für temperaturabhängigen Verbrauch Oben: Clusterzugehörigkeit (Farbe des Punktes) für jeden Tag des Jahres. Unten: Zwei ausgewählte Cluster, für unterschiedliche Temperaturbereiche. Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 17
Nach dem Training: Anwendung der Überwachung Nach Abschluss des Trainings stehen repräsentative Tagesprofile je Cluster zur Verfügung Mittlerer Tageslastgang (aller Trainingstage des jeweiligen Clusters) Standard-Abweichung dazu Ein neuer, gemessener Tageslastgang wird gegen diese repräsentativen Profile geprüft: Zuordnung zu einem Cluster (Bayes scher Ansatz mit Choicefunktion) Choicefunktion T k = log P k x = log P x k P k P x k 1 σ k e 1 2 Der Tageslastgang wird dann als auffällig eingestuft, wenn folgende Bedingung erfüllt ist: Matchfunktion M x, k = D i=1 i=1 D x i w ki σ k w ki x 2 i σ k 2 > ρ P k = N k k=1 m N k ρ Schwellwert Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 18
Variante für temperaturabhängigem Verbrauch Matchfunction M x, k = D i=1 x i w ki σ k 2 + T d T k 2 σ T k 2 Die Matchfunktion berücksichtigt temperaturabhängigen Verbrauch. Der zweite Term in M bestraft den Cluster. Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 19
Transversale Signifikanz zur Erhöhung der Spezifität Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 20
Praxiserfahrungen Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 21
Beispiel Nr. 1 Datum: von 2013-03-11 bis 2013-03-15 Auffälliger Verbrauch an 5 aufeinanderfolgenden Tage Hier: Gesamt ca. 1570 kwh Normal: Gesamt 630 kwh Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 22
Beispiel Nr. 2 Datum: 2012-01-15 Auffälliger Verbrauch: Fehlfunktion? Aktueller Verbrauch: 41 kwh Normal: 6 +/-3 kwh Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 23
Beispiel Nr. 3 Datum: 2013-03-02 Auffälliger Verbrauch: Fehlfunktion? Aktueller Verbrauch: 67 kwh Normal: 61 +/-11 kwh Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 24
Beispiel Nr. 4 Datum: 2012-12-12 Auffälliger Verbrauch in der Nacht Hier: ca. 283 kwh Normal: 185 +/-36 kwh Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 25
Anzahl der entdeckten Auffälligkeiten Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 26
Zusammenfassung Ausblick Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 27
Zusammenfassung und weiteres Vorgehen Viele Gebäude und Verbraucher weisen typische Verbrauchsprofile auf (z.b. im Tagesrhythmus) Durch Clusterbildung kann ein Algorithmus ohne Vorwissen z.b. über Tagestypen trainiert werden Die eigentliche Überwachung vergleicht neue Verbrauchswerte mit den typischen Profilen Der Einbezug anderer Einflussgrößen (wie Außentemperatur) bringt Vorteile Ein transversaler Vergleich erhöht die Spezifität der Algorithmen Adaption für tagesrhythmusunabhängige industrielle Prozesse geplant Markteinführung des Moduls ab Q3 2015 Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie 28