In diesem Beitrag stellen wir den Einsatz von Machine Learning und Advanced Analytics zur kontinuierlichen Steigerung der Effizienz eines Unternehmens, eines Werks oder eines Gebäudes analysiert und konkrete Empfehlungen ausspricht, um die Energiekosten und den Energieverbrauch gezielt zu reduzieren.

Welches Problem versucht jede Prozess-/ produzierende Industrie zu lösen?

Um das Problem, dem jede prozess- oder produzierende Industrie gegenübersteht, zu verdeutlichen, bedarf es eines Schaubilds, das die Systemgrenzen und die Abhängigkeiten der Bereiche untereinander zeigt. Wertschöpfende Prozesse haben in einem Unternehmen immer höhere Bedeutung als unterstützende, wie beispielsweise die Energiebereitstellung. Daher bietet die Energiebereitstellung ein optimales Handlungsfeld, um Kosten zu reduzieren und Verbesserungen zu erzielen.

In der Prozessindustrie besteht ein ständiger Bedarf an Dampf, Strom, Warmwasser und Kaltwasser, der durch die Prozessanforderungen definiert wird. Diese Medien werden oft durch eigene Industriekraftwerke bereitgestellt, deren Betrieb entweder von einer ausgegliederten Betriebs-, Service- oder Versorgungsgesellschaft übernommen wird oder an ein Facility-Management Unternehmen ausgelagert wird.

Unabhängig von der Variante haben Kraftwerke ähnliche Ziele: Versorgungssicherheit, Qualität der Medien und wirtschaftlicher Betrieb. Auf der Nachfrageseite strebt die Produktionsmannschaft an, Ausfälle von Produktionsanlagen zu minimieren und den Produktionsfluss kontinuierlich zu verbessern. Für die Betreiber gestaltet es sich jedoch als Herausforderung, den Zielkonflikt zu lösen und gleichzeitig Versorgungssicherheit, Medienqualität und wirtschaftlichen Betrieb sicherzustellen.

In der Regel wird ein Kraftwerk im Schichtenmodell durch verschiedene Anlagenbediener betrieben, die unterschiedlichen Erfahrungsschatz und Fähigkeiten haben. Das führt dazu, dass die Anlage nicht zu jeder Zeit wirtschaftlich oder effizient betrieben wird. Ein System für Echtzeit-Analyse ist daher notwendig, um Anlagenbediener proaktiv handeln zu lassen und die Wirtschaftlichkeit der Energiebereitstellung zu steigern.

Welche Stellschrauben können die Effizienz und die Wirtschaftlichkeit eines Industriekraftwerks steigern?

Um die Effizienz und Wirtschaftlichkeit eines Industriekraftwerks zu steigern, beschäftigen sich energieintensive Industriezweige mit den Kosten und dem Verbrauch. Typische Ansätze sind Energieanalysen, Audits oder die Einführung von Energiemanagementsystemen. Diese Maßnahmen bieten Vorteile, stellen jedoch eine Analyse zu einem bestimmten Zeitpunkt dar. Unsere entwickelte Methodik wird einmalig implementiert, erstellt kontinuierlich Auswertungen, unterbreitet intelligente Anpassungsvorschläge und steigert mithilfe von Analytics Tools die Wirtschaftlichkeit.

Unser System durch Advanced Analytics sagt den zukünftigen Energiebedarf mit höherer Genauigkeit voraus. Der vorhergesagte Energiebedarf wird zur Optimierung einer global optimalen Fahrweise verwendet, um Einsparungen zu erzielen und gleichzeitig die CO₂-Emissionen zu reduzieren. Anschließend wird die gesamte Analyse benutzerfreundlich auf einem Dashboard visualisiert, das an die Anforderungen der Anlagefahrer angepasst ist. Unser Echtzeitsystem unterstützt die Anlagenbetreiber dabei, optimale Parameter zu wählen und gleichzeitig die Energieversorgung zu sichern.

Die Stellschrauben zur Steigerung der Effizienz lassen sich in folgende Punkte reduzieren: Effizienz der installierten Technik (Erzeuger und Nebenantriebe), Systemparameter/Betriebsparameter, optimale Betriebsstrategie, Wirtschaftlichkeit der Energiemedien, Einkaufsstrategie des Kraftwerks.

Diese 5 Punkte wenden wir nun an einem Industriekraftwerk anwenden:

In unserem Beispiel bezieht das Kraftwerk Strom und Gas vom Energieversorger. Die Medien werden in Strom, Wärme, Dampf und Kaltwasser umgewandelt und dem Unternehmen bereitgestellt.

1. Effizienz der installierten Technik Erzeuger und Nebenantriebe

Die Effizienz der installierten Technik ist schwer beeinflussbar, da sie oft mit einer hohen Investition und langer Standzeit verbunden ist.

2. Systemparameter / Betriebsparameter

Systemparameter/Betriebsparameter lassen sich kurzfristig beeinflussen und bieten eine hervorragende Möglichkeit für kleine und einfache Einsparungen.

3. Betriebsstrategie

Die Betriebsstrategie ermöglicht eine spürbare Einsparung ohne hohe Investitionen.

4. Energiekosten

Energiekosten können durch eine optimale Auswahl oder geschickte Verhandlung mit dem Energielieferanten effizient reduziert werden.

5. Einkaufsstrategie des Kraftwerks.

Die Einkaufsstrategie des Kraftwerks muss individuell auf die Gegebenheiten und Kompetenzen abgestimmt werden.

In diesem Artikel konzentrieren wir uns auf die Optimierung der Systemparameter und die optimale Betriebsstrategie. Beide Aspekte lassen sich effektiv durch den Einsatz von Advanced Analytics und Machine Learning optimieren. Typischerweise sind in diesen Bereichen viele Verbrauchsdaten von Zählern sowie Betriebs- und Parameterdaten aus Betriebssystemen vorhanden.

Welche Daten werden bei Advanced Analytics und Machine Learning eingesetzt?

Abrechnungszähler:            Strom, Gas und Wasser

Energiezählerdaten:            Strom, Wärme, Kälte, Dampf, Druckluft und Wasser

Wetterdaten:                        Außentemperatur, relative Feuchte,

Unternehmensdaten:           Produktionsmengen, Schichten, Mitarbeiterzahlen

Stammdaten:                       Stammdaten der Anlagen, Maschinen und Komponenten

Wie sieht die Vorgehensweise aus?

Die typische Vorgehensweise lässt sich als Prozess aus Datenanalyse, Simulation, Einsparberechnung und Umsetzungsvorschlag beschreiben. In den nächsten Abschnitten werden diese drei Schritte im Detail erläutert.

Datenanalyse: Korrelationsmatrix

Bei einer Vielzahl von Datenquellen, in diesem Fall Zählerdaten, muss die Relevanz ermittelt werden. Dafür wird der Korrelationskoeffizient verwendet. Eine Korrelationsmatrix analysiert und vergleicht viele Daten in Bezug auf ihre Abhängigkeiten. In unserem Beispiel analysieren wir die Abhängigkeit zwischen Energieerzeugung, Außentemperatur und relativer Feuchte. Die farblich eingefärbte Matrix zeigt hohe Abhängigkeiten in Grün.

Die Abhängigkeit der Kältemenge wird beispielhaft in einer Regressionsanalyse visualisiert. Der X-Y-Plot zeigt die Abhängigkeit der Kälteerzeugung von der Außentemperatur. Die Punktewolke visualisiert die Abhängigkeit, und die schwarze Linie stellt die Regressionslinie dar.

Regression manuelle Ermittlung

Eine manuelle Ermittlung der Regression führt zu einem ingenieurtechnischen Modell, das den Energiebedarf beschreibt.

Eine manuelle Ermittlung der Regression führt zu einem ingenieurtechnischen Modell, das den Energiebedarf beschreibt. Der X-Y-Plot zeigt die Abhängigkeit der Kälteerzeugung von der Außentemperatur mit steigendem Kältebedarf bei höheren Temperaturen. Es gibt zwei unterschiedliche Verhaltensweisen des Kältebedarfs, die die Regressionsanalyse zeigt.

Einsatz von Azure Machine Learning

Durch den Einsatz von Machine Learning können Datenmodelle trainiert werden, die als Webservice zur Verfügung stehen und Vorhersagen ermöglichen. Ausgewählte Entscheidungsbäume eines solchen Datenmodells sind in den Abbildungen dargestellt. Entscheidungsbäume sind Teil des Vorhersagemodells und sehen je nach verwendeter Methode unterschiedlich aus. Jedes Modell legt Regeln fest, welches Datenmodell bei welcher Input-Wertgröße anzuwenden ist.

Trainierte Modelle und Entscheidungsbäume ermöglichen hohe Genauigkeiten der Vorhersagen. Die Genauigkeit eines ausgewählten Modells beträgt in diesem Fall 93,5%, wie in der Abbildung mit dem "Coefficient of Determination" zu sehen ist.

So wird langfristig eine energieoptimierte Fahrweise ermöglicht. Einsparungen werden durch eine eingehende Analyse aufgezeigt, die das Einsparpotenzial durch den Einsatz von Advanced Analytics und Machine Learning zeigt. Das Potenzial wird im Simulationsmodell nachgebaut, ein Optimalfall simuliert und mit der realen Fahrweise verglichen.

Einsparungen

Eine Kostenanalyse zeigt, dass durch das System vorhergesagte Kosten im Vergleich zur realen Fahrweise Einsparungen sowohl bei Primärenergie, Energiekosten als auch CO₂-Emissionen ermöglichen. Durch die optimale Energieerzeugung werden die jährlichen Energiekosten um etwa 20 % im Vergleich zum Vorjahr reduziert, und auch die CO₂-Emissionen werden durch die verbesserte Regelungsstrategie reduziert.

Durch die optimale Energieerzeugung werden die jährlichen Energiekosten um ca.20% im Vergleich zum Vorjahr reduziert.

CO₂-Emissionen werden ebenfalls durch die verbesserte Regelungsstrategie reduziert. Die Energieerzeugung ist damit im echten Sinne optimiert.

Maschinelles Lernen (ML)

Maschinelles Lernen (ML) ist eine fortgeschrittene Analysetechnik, mit der ein revolutionäres System geschaffen wurde. ML ermöglicht es einem Computerprogramm, aus historischen Daten zu lernen, verborgene Muster zu erkennen und zukünftige Ereignisse vorherzusagen. ML verfügt über verschiedene Algorithmen, die für unterschiedliche Aufgaben eingesetzt werden können. Regressionsalgorithmen, die bestimmte Werte in der Zukunft vorhersagen können, werden in diesem Kontext verwendet. Die Implementierung erfolgt schrittweise, wie in der nachfolgenden Abbildung dargestellt.

Prognose des Energiebedarfs

• Vorhersagemodelle für die Prognose des Dampf-, Strom-, Wärme- und Kältebedarfs werden anhand historischer Energiebedarfsdaten trainiert.
• Die Prognosemodelle weisen eine hohe Genauigkeit von über 95 % auf, und durch Hinzufügen weiterer Einflussparameter wird die Genauigkeit weiter erhöht.
• Die nachfolgende Abbildung zeigt einen Vergleich der Ergebnisse zwischen statistischer Regression, Machine Learning und den tatsächlichen Werten der Energieerzeugung. Dabei ist zu erkennen, dass die Vorhersagen sehr genau sind.

Vorteil der Echtzeitanalyse

Die Echtzeitanalyse bietet viele Vorteile. Der größte Vorteil besteht darin, dass durch Advanced Analytics historische Betriebsdaten und die Erstellung von Machine Learning Modellen Analysen zu Prognosen über zukünftige Ereignisse werden, wodurch die Möglichkeit geschaffen wird, proaktiv handeln zu können. Diese Methode wird instrumentalisiert und für vorausschauende Betriebsweisen eingesetzt.

Weitere Vorteile sind:

• Innovatives Echtzeit-Analysesystem im Energiesektor
  • Steigerung der Profitabilität durch Optimierung der Betriebsparameter
  • Keine Investition in zusätzliche Maschinen, sondern reine Optimierung der Parameter
  • Flächendeckende Implementierung des Systems ist möglich
  • Keine autonome Regelung, sondern erst nach Übernahme der Parameter durch den Anlagenfahrer
  • Möglichkeit zur Integration des Systems in andere Bereiche

Anwendungsbereich

Das System kann mit geringfügigen Modifikationen für verschiedene Zwecke angepasst und angewendet werden, darunter auch für Predictive Maintenance

Predictive Maintenance

• Vorhersagen des Marktszenarios von Produkten
• Verhalten der Energieverbraucher
• Energiebedarfs von Geschäftsgebäuden und Wohngebäuden
• Steigern Sie die Kosteneffizienz mit Advanced Analytics und schaffen Sie die Möglichkeit proaktiv zu handeln.