AVACON: KI-gestützte Datenanalyse als Schlüssel für resiliente Energienetze

• Branche(n): Energieausrüstung und -lösungen
• Kunde: Avacon Natur GmbH
• Projekttitel: Avacon Data-Quality
• Jahr: 2023
• Zeitraum: Juli - September 2023

Optimierte Effizienz- und Leistungsanalysen durch den Einsatz neuronaler Netze.

Die Avacon Natur GmbH sorgt durch intelligentes Netzmanagement für eine sichere Energieversorgung von Kommunen, Industrie und Haushalten. Blockheizkraftwerke (BHKW) erzeugen gleichzeitig Strom und Wärme und steigern so ihre Effizienz. Sensoren erfassen während des Betriebs umfangreiche Daten zu Temperatur, Strömung und Leistung. Es ist wichtig, diese Daten zu standardisieren, um Effizienz- und Leistungsanalysen zu ermöglichen. Regelmäßige Messungen optimieren die BHKW-Effizienz und erfüllen gesetzliche Vorgaben, wodurch ein transparenter und nachhaltiger Betrieb gewährleistet wird.

Technische Störungen in den BHKW können die Datenerfassung und -übertragung beeinträchtigen. Hardware- und Softwareprobleme sowie Kommunikationsstörungen im Netzwerk führen zu Datenlücken, die eine Analyse erschweren. Externe Faktoren wie Regulierungsänderungen oder Netzschwankungen beeinflussen die Leistung und den Betrieb zusätzlich. Das erschwert die Identifizierung und Analyse von Anomalien und führt zu kostenintensiven manuellen Nacharbeiten, wie direkte Rückfragen beim Anlagenbetreiber. 

Unklare Ursachen gefährden die Datenplausibilität, machen die Fehlerbehebung komplex und führen zu längeren Ausfallzeiten und höheren Instandhaltungskosten. Ungenaue Daten bergen außerdem Compliance-Risiken und können die Einhaltung gesetzlicher Vorgaben gefährden. 

Effiziente Datenqualitätsstrategien mit fortschrittlichen Diagnosewerkzeugen sind daher unerlässlich, um negative Auswirkungen zu minimieren und die Betriebseffizienz sicherzustellen.

Im Rahmen unserer Daten- und KI-Analyse untersuchten wir die Betriebsdaten einer BHKW-Anlage nahe Magdeburg. Wir analysierten die Datenerhebung, die Anforderungen an die Datenqualität,
die verwendeten Datenquellen und die bestehenden internen Datenqualitätsmethoden. Ziel war es, effektive Optimierungsstrategien und einen Prototyp zu entwickeln, um die Datenplausibilität zu erhöhen und fehlende Informationen zu ergänzen.

Wir entwickelten ein selbstlernendes System basierend auf künstlichen neuronalen Netzen, das externe Effekte und technische Störungen in den Betriebsdaten erkennt. Es identifiziert und ergänzt Lücken in Datensätzen und fehlende Datenpunkte, wobei der Kontext der Originaldaten erhalten bleibt. Das System erkennt Muster und Anomalien, die auf ungewöhnliche Betriebsbedingungen
oder Störungen hinweisen.

Die neuronalen Netze werden mit historischen Zeitseriendaten, manuell korrigierten und aggregierten Werten in verschiedenen Auflösungen bis in den Minutenbereich der einzelnen Sensoren trainiert. Sie analysieren multivariate Kausalzusammenhänge, messen Effektstärken und erstellen Prognosen, die intern evaluiert werden. Dadurch lernt das System, normale von anormalen Zuständen zu unterscheiden, was eine präzise und schnelle Problemerkennung auch bei externen Störungen ermöglicht.

Strategy:

• Daten- und KI-Potenzialanalyse, Architekturberatung

Develop:

• Entwicklung eines Prototyps

Lifecycle Services

• DevOps, Maintenance & Change Management

Das System wurde durch die Analyse der vorhandenen Daten und des KI-Potenzials entwickelt. Wir konzentrierten uns darauf, gemeinsam identifizierte Herausforderungen wie Datenlücken und Betriebsanomalien zu bewältigen. Dieser methodische Ansatz führte zu konkreten Handlungsempfehlungen und einem Vorschlag für eine erweiterbare Systemarchitektur.

Ziel ist es, eine robuste Lösung zu entwickeln, die einen signifikanten Mehrwert für die Überwachung und Feinabstimmung von Betriebsprozessen im intelligenten Energienetzmanagement bietet. Diese Lösung ermöglicht den Mitarbeitenden von AVACON Natur eine hohe Flexibilität in der Anwendung.

Bekannte externe Ereignisse und Einflüsse können effizient gemanagt werden, unterstützt durch maschinelles Lernen, künstliche neuronale Netze und fortgeschrittene statistische Methoden als modulare Filteroptionen. Eine intuitive Benutzeroberfläche ermöglicht es den Mitarbeitenden, die Kernfunktionalitäten zu optimieren und zu erweitern. Darüber hinaus werden regulatorische Anforderungen an KI-Anwendungen im Funktionsumfang berücksichtigt, um gesetzliche Vorgaben zu erfüllen.

• Blob Storage
• Event Grid
• Message Queues
• Azure Function
• Azure DataBricks
• Azure AI Studio
• Datenanalyse
  • Python
  • R