Bachelorarbeit Pascal Stammer

 

Untersuchung von Algorithmen auf Basis von unüberwachtem maschinellen Lernen zur Topologieerkennung von komplexen Energiesystemen

Grundfunktion eines "model-based" unüberwachten maschinellen Lernalgorithmus zur Clusterung von multivariaten Datensätzen Urheberrecht: EBC Grundfunktion eines "model-based" unüberwachten maschinellen Lernalgorithmus zur Clusterung von multivariaten Datensätzen.

Der Gebäudesektor verursacht einen großen Anteil am gesamten Energieverbrauch, welcher von Jahr zu Jahr weiter ansteigt. Die Automatisierung und Optimierung von Energiesystemen sind vielversprechende Ansätze zur Senkung des Energieverbrauchs von Gebäuden. Außerdem sind viele Gebäude bereits mit Mess- und Regelungstechnik ausgestattet, die in Zukunft für voll automatisierte Energiesysteme genutzt werden kann. Zudem können Algorithmen zur Topologieerkennung das Verständnis und die Regelung von Energiesystemen verbessern. Allerdings ist das Gebiet der Anwendung von Clustering-Algorithmen zur Topologieerkennung auf multidimensionale Datensätze von Energiesystemen noch nicht weitreichend erforscht. Daher ist es das Ziel dieser Arbeit, die Forschung in diesem Bereich, durch die Untersuchung von zwei unüberwachten maschinellen Lernalgorithmen, mithilfe ihrer Anwendung auf mehrere reale BACS Datensätze, voranzubringen. Außerdem werden zwei verschiedene Ansätze zur Evaluierung von Algorithmen, bei der Anwendung auf reale Daten vorgestellt.

Diese Arbeit baut auf dem dem Takehsi Projekt auf, in dem der Takeshi Algorithmus entwickelt und getestet wurde. Die hier untersuchten Algorithmen, TICC und MASA, waren in der Lage, abhängig vom benutzen Datensatz, F1 Werte von ca. F1 = 0.6 zu erreichen. Dadurch konnten beide Algorithmen den Takeshi Algorithmus um über 20% im F1 score übertreffen. Der TICC und der MASA Algorithmus wurden jeweils auf zwei Datensätze vom Hauptgebäude des E.ON ERC und zudem einem Datensatz, eines anderen realen Energiesystems, namens Werk 3, angewandt. Zwar sind die Ergebnisse beider untersuchter Algorithmen vielversprechend, jedoch gibt es trotzdem Raum zur Verbesserung der Nutzung dieser Algorithmen, um ihr volles Potenzial auszuschöpfen. Daher werden verschiedene Ansätze zur Optimierung der Nutzung des TICC und des MASA Algorithmus vorgestellt.