Energiemanagement und Einsparbemühungen wurden in der Vergangenheit dadurch erschwert, dass aus einem gemessenen Gesamtverbrauch die Ursache für einen Mehrverbrauch nicht direkt abgeleitet werden konnte. Gerätespezifische Energiesparmaßnahmen und Unregelmäßigkeiten im Betriebsablauf aus dem Gesamtverbrauch zu identifizieren: Das ist die Kern-Idee des Nonintrusive Load Monitoring, kurz NILM. Unter Leitung des Fraunhofer IMS entwickelten die Partner ein Energiemanagement-System, das die Analyse des gerätespezifischen Stromverbrauchs mit nur einem Messpunkt ermöglicht – eine kostengünstige Alternative zum Submetering. Mit komplexen Algorithmen und Verfahren des Machine Learning werden die Verbrauchsmuster der Geräte aus dem Gesamtstromverbrauch aufgeschlüsselt.
Der Fingerabdruck im Stromnetz
Jedes Gerät beeinflusst Strom und Spannung auf seine eigene charakteristische Art. Durch diesen Fingerabdruck im Stromnetz, der beim Nonintrusive Load Monitoring erkannt wird, ist es möglich, den Gesamtstromverbrauch auf einzelne Geräte aufzuschlüsseln.
Condition Monitoring: Anomalien erkennen
Die Situation kennt fast jeder: Man verlässt als Letzter das Gebäude und glaubt, alles ausgeschaltet zu haben. Doch hat man auch wirklich an alles gedacht? Mit gerätespezifischen Verbrauchsanalysen durch Nonintrusive Load Monitoring werden Abweichungen von typischen Verbrauchsmustern für jedes Gerät einzeln identifiziert – ohne aufwändige Ursachensuche. In Kombination mit ereignis- und zeitbasierten Alarmen wird unmittelbar nach Auftreten der Abweichung eine Benachrichtigung versendet, sodass rechtzeitig Maßnahmen zur Abhilfe eingeleitet werden können.
Predictive Maintenance: Notwendige Wartung frühzeitig erkennen
Ob die unternehmenseigenen Anlagen oder Geräte innerhalb normaler Parameter laufen oder ein Ausfall droht, ist im Kontext von Industrie 4.0 von enormer betriebswirtschaftlicher Bedeutung. Ein Fehlverhalten zeigt sich zuerst im gerätespezifischen Verbrauchsmuster, später auch in Veränderungen des Gesamtverbrauchs. Ändert sich bspw. das Spektrum der Störausendungen eines Kompressors im Normalbetrieb, kann ein drohender Produktionsausfall durch rechtzeitiges Ergreifen von Gegenmaßnahmen verhindert werden. Die alarmierten Mitarbeiter können frühzeitig die Ursache für das Fehlverhalten untersuchen: Liegt ein Bedienungsfehler vor? Gibt es Fehleinstellungen? Ist der Kompressor defekt? Zusätzlich wird das Auftreten kostenintensiver Lastspitzen durch rechtzeitiges Eingreifen verhindert.
Kostenkalkulation verbessern, Einsparpotenziale identifizieren
Einzelne Geräte können aufgrund ihrer Verwendung oder ihres Aufstellortes bestimmten Prozessen bzw. Anwendungen zugeordnet werden. Bspw. können in einem Industriebetrieb zum Prozess der Veredelung ein Kompressor und zwei Motoren gehören, zum Prozess der Fertigung dagegen fünf Kompressoren und ein Antrieb. In der Gastronomie können der Kaffeeautomat und die Kasse dem Verkaufsbereich zugeordnet
sein und der Geschirrspüler der Küche. Mit der gerätespezifischen Verbrauchsanalyse können Geräte klassifiziert und Prozessen bzw. Anwendungsbereichen zugewiesen werden. Damit können Kosten verursachungsgerecht umgelegt, verglichen und Prozesse bzw. Anwendungen ganzheitlich analysiert werden. Effizienzmaßnahmen zielen dann nicht mehr auf den bloßen Austausch einzelner, ineffizienter Geräte ab, sondern auf die energetische Optimierung eines gesamten Prozesses bzw. Anwendungsbereichs mit dem zugehörigen Gerätepark.
Bisherige Ergebnisse von NILM
Im Rahmen des Forschungsprojektes NILM wurden zunächst kommunale Unternehmen und Industrieunternehmen sowie Filialisten zur Untersuchung akquiriert, da diese aufgrund ihrer Vielzahl an Pumpen, elektrischen Antrieben, Heiz- und Klimageräten ein erhebliches Einsparpotenzial bieten. Mit bei den Unternehmen installierter Messtechnik wurden mehrere tausend Messungen pro Sekunde durchgeführt und die Messdaten analysiert und so der Stromverbrauch der Geräte und Anlagen bestimmt. Diese Messdaten bildeten die Grundlage für die Entwicklung des äußerst komplexen NILM-Algorithmus.
Neben den komplexen Algorithmen wurde ein besonders leistungsstarker Smart Meter als Prototyp entwickelt. Dieser misst hochfrequent etwa 8.000 Messwerte (Strom und Spannung) pro Sekunde. Dank dieser hohen Auflösung ist der Prototyp in der Lage, selbst kleinste Veränderungen im Gesamtstromverbrauch zu erkennen und diese einzelnen Geräten zuzuweisen. Bereits 2016 wurde eine erste Version der NILM-Algorithmen erprobt. Diese wurden anhand hochaufgelöster Daten aus den Testmessungen mithilfe maschineller Lernverfahren zur Mustererkennung kontinuierlich weiterentwickelt. Neben der Auswirkung der Wirkleistung wurde der Einfluss von Blindleistung, Scheinleistung und harmonischen Oberschwingungen auf die Erkennungsqualität zur Optimierung der Algorithmen untersucht. Durch den stetigen Vergleich der Ergebnisse der Algorithmen mit realen Untermessungen (sog. Ground Truth) wurde die höchstmögliche Erkennungsgüte sichergestellt. Innerhalb der Energiemanagement-Software lassen sich die Erkennungsergebnisse der Algorithmen tiefergehend analysieren. Die modulare Softwarelösung passt sich dabei individuell an die Bedürfnisse ihrer Nutzer - aus Industrie, Handel und Gewerbe - an. Umfangreiche Analysetools unterstützen diese bei der Identifikation, Bewertung und beim Monitoring gerätespezifischer Effizienzmaßnahmen. Mit den Last- und Spektralanalysen lassen sich schnell und einfach Lastspitzen auf Einzelgeräteebene aufdecken und Optimierungspotenziale ableiten, um die Lastkurve nachhaltig zu glätten und durch einen gleichmäßigen Bezug vom Energieversorger Kosten zu sparen. Mithilfe von Alarmen können Anlagen, Antriebe, Geräte, etc. überwacht werden. Durch Benachrichtigungen in Echtzeit können Mehrkosten durch fehlerhafte Einstellungen oder Fehlfunktionen vermieden werden. Dadurch können Aufträge noch genauer kalkuliert werden und Energiesparpotenziale durch die Umlegung der Energiekosten auf einzelne Maschinen, Bereiche oder Prozesse aufgedeckt werden.
Wissenschaftliche Veröffentlichungen
Doktorarbeit Timo Bernard
Universität Duisburg-Essen. Titel der Dissertation: Non-Intrusive Load Monitoring (NILM): Combining multiple distinct Electrical Features and Unsupervised Machine Learning Techniques.
29. Mai – 1. Juni 2018
2018 International Conference on Smart Grid and Clean Energy Technologies. Veranstaltungsort: Kuala Lumpur, Malaysia – IEEE, Universiti Tunku Abdul Rahman. Präsentiertes Paper: Non-Intrusive Load Monitoring (NILM): Unsupervised Machine Learning and Feature Fusion, Timo Bernard, Martin Verbunt, Thorsten Wellmann, Gerd vom Bögel (Fraunhofer IMS)
6. – 7. November 2017
NILM.eu 2017 Workshop. Veranstaltungsort: London, UK. Präsentiertes Paper: High frequency NILM in commercial and industrial settings, Gunnar Hoffmann, Timo Bernard, Martin Verbunt (Fraunhofer IMS).
14. – 15. Mai 2016
NILM2016 – 3rd International Workshop on Non-Intrusive Load Monitoring. Veranstaltungsort: Vancouver, Kanada – Simon Fraser University. Paper & Poster Präsentation: Analyzing 100 Billion Measurements: A NILM Architecture for Production Environments, Nikolaus Starzacher, Philipp Weidmann (Discovergy GmbH).
14. – 15. Mai 2016
NILM2016 – 3rd International Workshop on Non-Intrusive Load Monitoring. Veranstaltungsort: Vancouver, Kanada – Simon Fraser University. Paper: Unsupervised Learning Algorithm using multiple Electrical Low and High Frequency Features for the task of Load Disaggregation, Timo Bernard, Michael Marx (Fraunhofer IMS).
28. – 29. Oktober 2015
Energie&Technik Smart Home & Metering Summit 2015. Veranstaltungsort: Konferenzzentrum München. Präsentiertes Paper: NILM (NONINTRUSIVE LOAD MONITORING) – Gerätespezifische Stromverbrauchsanalyse für Smart Meter Lösungen, Timo Bernard, Burkhard Heidemann (Fraunhofer IMS).
20. – 23. Oktober 2015
International Conference on Smart Grid and Clean Energy Technologies (ICSGCE 2015) – Sponsoren: IEEE & VDE.Veranstaltungsort: Hochschule Offenburg. Präsentiertes Paper: Combining Several Distinct Electrical Features to Enhance Nonintrusive Load Monitoring, Timo Bernard, Julian Klaaßen, Daniel Wohland, Gerd vom Bögel (Fraunhofer IMS).
Gefördert durch
Partner
- Fraunhofer IMS (Konsortialführung)
- Innogy SE
- EasyMeter GmbH
- GreenPocket GmbH
- Discovergy GmbH