KI für die Überwachung und Klassifizierung von Energieflexibilitäten
Challenge
Unternehmen der Energiebranche müssen große Datenmengen verwalten und interpretieren, um die Ressourcennutzung zu optimieren und die betriebliche Zuverlässigkeit zu gewährleisten.
Artificialy hat eine KI-Lösung entwickelt, um sogenannte Energiesignaturen zu analysieren, also das spezifische Energieverbrauchsmuster jedes Geräts – sei es eine Wärmepumpe, eine Produktionsmaschine oder ein anderes Gerät. So lassen sich angeschlossene Geräte automatisch identifizieren und ihre Verwaltung verbessern.
Der Kunde hatte konkret den Bedarf, die Überwachung der Energieflexibilitäten zu verbessern. Im Einzelnen:
ein Machine-Learning-Algorithmus, der in der Lage ist, die Leistungsverteilung zu analysieren, um die Synchronisation mit den Relais zu überprüfen;
ein Modell auf Basis historischer und meteorologischer Daten zur Schätzung der Nennleistung der Geräte;
ein Machine-Learning-Klassifizierungsmodell zur automatischen Erkennung des Gerätetyps (z. B. Boiler, Wärmepumpe)
Die Lösung ermöglicht es, Rohdaten in operative Erkenntnisse umzuwandeln und dabei Kontrolle und Datenqualität zu verbessern.
Unsere KI-Lösung
Artificialy hat eine Lösung entwickelt, die überwachte und unüberwachte Machine-Learning-Algorithmen für die automatische Analyse von Verbrauchszeitreihen kombiniert.
Das System:
bewertet die Synchronisation zwischen Verbrauch und Steuersignalen;
schätzt die Nennleistung anhand historischer Daten und externer Variablen (z. B. Wetterbedingungen);
klassifiziert Geräte automatisch mithilfe dedizierter ML-Modelle.
Dieser Ansatz ermöglicht es, aus Betriebsdaten zuverlässige und skalierbare Erkenntnisse zu gewinnen.
Ergebnisse
Alle betrachteten Kennzahlen zeigen einen Aufwärtstrend und verdeutlichen eine insgesamt verbesserte Datenqualität sowie Überwachungsfähigkeit.
Die größten Vorteile zeigen sich in Bezug auf Zeitersparnis und Erkennungsgenauigkeit für jedes Element, insbesondere:
84% Genauigkeit bei der Synchronisationsprüfung;
90% Recall bei der Erkennung von Anomalien;
69% Genauigkeit bei der Leistungsschätzung;
84% Recall bei der Identifizierung inkonsistenter Daten;
76% Genauigkeit bei der Geräteklassifizierung.
Das könnte Sie auch interessieren
KI für die Automatisierung von Ticket-Routing und - Antworten im Kundenservice
