Bachelorarbeit Vincent Evenschor

 

Klassifizierung von Zeitreihendaten aus Gebäudeautomationssystemen unter Anwendung maschinellen Lernens

Rahmen für Datenaufbereitung Urheberrecht: EBC Rahmen für Datenaufbereitung, Modellbestimmung und –anwendung

Von optimierten Gebäudeautomationssysteme verspricht man sich signifikante Energieeinsparungen im Gebäudebereich. Jedoch arbeiten diese meist in der Praxis nicht effizient, da deren Analyse und das Erkennen von Fehlern schwierig sind und es kein standardisiertes Schema für die Struktur und die Benennung von Datenpunkten in Gebäudeautomationssystemen gibt. Eine steigende Anzahl eingesetzter Sensoren und Aktoren ermutigt jedoch dazu maschinelles Lernen zur Wissensgewinnung zu integrieren, indem sie nur die erzeugten Daten selbst verwenden.

Bisher hat sich die Forschung hauptsächlich auf unüberwachte Clustering-Algorithmen oder die überwachte Klassifizierung univariater Zeitreihen konzentriert. Motiviert durch die Aufgabe technische Anlagen voneinander unterscheiden zu können, wurde ein Ansatz auf Basis neuer Deep-Learning-Modelle zur multivariaten Zeitreihenklassifizierung gewählt, um Datenpunkte verschiedenen Klassen von Energiesystemen zuzuordnen, die in der Heizungs-, Lüftungs- und Klimatechnik auftreten.

Unter Verwendung von Vor- und Rücklauftemperaturen sowie Volumenströmen, entnommen aus der Monitoring-Datenbank des E.ON Energy Centers in Aachen, wurden Datensätze multivariate Zeitreihen erstellt und vorbereitet. Die am besten trainierten Modelle erreichen auf den Testdaten Genauigkeiten von mehr als 95% bei der Klassifizierung von Betonkernaktivierungen, Heiz und Kühlwassersystemen von Fassadenlüftungsgeräten und können dabei sogar zwischen Systemen derselben Klasse auf Energieverteilungs- und Nutzungsebene unterscheiden. Darüber hinaus werden im Zuge einer Anwendung auf Datensätze, an die weniger strenge Anforderungen in Bezug auf die Datenvorbereitung gesetzt wurden, Ratschläge zur Filterung von Rohdaten abgeleitet, die gute Klassifizierungsresultate ermöglichen. Insgesamt deuten die Ergebnisse auf ein großes Potenzial hin mit Hilfe der angewandten Klassifizierung kontextuelles Wissen über Datenpunkte zu gewinnen. Zur Bestimmung einer universelleren Anwendbarkeit sind jedoch weitere Untersuchungen zwingend erforderlich.