Künstliche Intelligenz im Energiemanagement: Neues Prognosetool

Künstliche Intelligenz (KI) macht überall Schlagzeilen – von Privatpersonen, die ChatGPT für alltägliche Aufgaben nutzen, bis hin zu Unternehmen, die ihre eigenen KI-Engines entwickeln. Dabei wird jedoch oft übersehen, dass es KI und maschinelles Lernen (ML) schon seit geraumer Zeit gibt und dass es bereits vor der Veröffentlichung von ChatGPT zahlreiche Anwendungen in der Praxis gab.

Wenn es sich nicht um einen Chat handelt, können wir manchmal nicht erkennen, ob das, was wir sehen, durch KI-gesteuerte Prozesse berechnet wurde, da diese Systeme grundsätzlich auf statistischen und mathematischen Modellen beruhen.

In diesem Artikel sehen Sie einige konkrete Beispiele dafür, was KI für das Energiemanagement bedeutet, darunter unser neues Prognosemodul, und Sie haben die Möglichkeit, sich für unser nächstes Webinar anzumelden.

Maschinelles Lernen und KI im Energiemanagement

Eine der einfachsten Formen von ML ist ein lineares Regressionsmodell – Y = Ax + B – das den meisten Ingenieuren bekannt ist. Wie Sie sich vorstellen können, umfasst die Disziplin eine Vielzahl von anspruchsvolleren Ansätzen, einschließlich neuronaler Netze.

Wie hängt nun künstliche Intelligenz mit dem Energiemanagement zusammen?

Der Sektor Energiemanagement kann von KI-gesteuerten Lösungen stark profitieren. Zu den wichtigsten Bereichen, in denen sich KI-Modelle als unverzichtbar erweisen, gehören:

Erstellung einer Baseline zur Einhaltung von Protokollen wie dem International Performance Measurement and Verification Protocol (IPMVP) zum Nachweis von Energieeinsparungen.
Vorhersage des Energieverbrauchs oder der Produktion.
Erkennen von Anomalien und Ineffizienzen in Gebäuden.
Lernen von Gebäudeverhalten unter bestimmten Umgebungsbedingungen.

Angesichts der Tatsache, dass es diese verschiedenen Anwendungsfälle schon seit vielen Jahren gibt und sie oft mit einfachen Modellen angegangen wurden, stellt sich die Frage: Wann sollten wir uns für diese einfachen Modelle wie lineare Regressionen entscheiden und wann sollten wir fortschrittlichere Ansätze wählen?

Bestimmte Vorschriften schreiben oft die Verwendung bestimmter Modelle vor. Nach den IPMVP-Richtlinien müssen beispielsweise mehrere lineare Modelle (Ax+By+Cz+…+D) verwendet werden, um die Einsparungen zu quantifizieren, selbst wenn andere Methoden bessere Ergebnisse liefern könnten, d.h. fortgeschrittenes maschinelles Lernen ist noch nicht erlaubt. Um diesen Prozess zu erleichtern, hat Spacewell Energy die ABC-App entwickelt, die die Erstellung solcher Gleichungen vereinfacht.

Wenn es jedoch keine gesetzlichen Einschränkungen gibt, ist es wichtig, die Genauigkeit und die investierten Ressourcen abzuwägen. So wäre es beispielsweise ineffizient, ein hochkomplexes Modell zu verwenden, um eine Korrelation zwischen zwei Variablen zu erklären, z. B. um zu prüfen, ob es eine Korrelation zwischen Heizgradtagen (DD) und Stromverbrauch gibt. Stattdessen lohnen sich fortschrittlichere Modelle, wenn die Beziehung zwischen Inputs und Outputs nicht eindeutig ist, zum Beispiel bei Energieprognosen.

Dennoch haben einige Kunden Bedenken geäußert, dass sie das Modell, das die Ergebnisse berechnet, nicht kontrollieren können. Bei einer einfachen Basislinie können sie die Eingaben auswählen, die Modelle selbst kalibrieren und leicht sehen, wie sich eine Änderung der Eingaben auf die Ergebnisse auswirkt. Bei komplexen ML-Modellen ist dies jedoch nicht möglich, da sie manchmal wie eine Blackbox funktionieren. Da die Modelle selbst mehrere Dimensionen haben können, lassen sie sich nicht grafisch oder durch eine Gleichung darstellen und manchmal ist es schwierig, die Auswirkungen der einzelnen Eingaben auf die Ausgaben zu erkennen.

Deshalb setzen wir bei Spacewell Energy fortschrittliches maschinelles Lernen in den Anwendungsfällen ein, in denen es zur Lösung eines bestimmten Problems erforderlich ist oder deutlich bessere Ergebnisse liefert.

Ein praktisches Beispiel: Neues Prognosetool in Spacewell Energy

Spacewell Energy hat vor kurzem ein Prognosetool auf den Markt gebracht, das den Verbrauch und die Produktion von Ressourcen (Strom, Gas, Wasser) für die nächsten 10 Tage vorhersagen kann und dabei auch meteorologische Daten berücksichtigt.

Unter Berücksichtigung aller Informationen, die im vorherigen Abschnitt mitgeteilt wurden, wollten wir den Unterschied in den Ergebnissen zwischen einfachen und komplexen Modellen sehen. Zu diesem Zweck haben wir vier Prognosemethoden über 12 Monate hinweg verglichen:

Am einfachsten: Lineare Regression (Ax + By + Cz + (…) + D)
Polynomielle Regression (Ax + Bxy + ^Cz2 + (…) + D)
Höchst komplex: Zwei komplexere KI-Modelle, die in unserem Prognosetool angeboten werden:
- Bestes KI-Modell im Tool (das Modell mit dem geringsten Fehler).
- Das KI-Modell mit der schlechtesten Leistung im Tool (das Modell mit dem höchsten Fehler).

Die Ergebnisse zeigten, dass das KI-Modell mit der besten Leistung die Vorhersagefehler im Vergleich zu anderen Methoden um 28 % reduzierte. Außerdem war es das Modell, das in allen 12 Monaten, in denen die vier Modelle bewertet wurden, die beste Vorhersage lieferte:

Der prozentuale Fehler hilft Ihnen vielleicht nicht zu verstehen, wie viel besser ein Modell im Vergleich zu dem anderen ist. Um dies zu verdeutlichen, haben wir den Unterschied zwischen den Modellen auch grafisch dargestellt. Unten sehen Sie den Unterschied zwischen dem KI-Modell mit der besten Leistung und den anderen, wobei das erste Modell als einziges der realen Verbrauchskurve folgen kann:

In diesem Fall haben wir uns für die komplexen KI-Modelle entschieden, da die Ergebnisse, die sie lieferten, deutlich besser waren als die der einfacheren Modelle.

Andere Anwendungen von Künstlicher Intelligenz im Energiemanagement

Bei Spacewell Energy verfügen wir nicht nur über die Vorhersagefunktion, sondern auch über weitere KI-basierte Produkte:

Optimieren: unsere Engine zur Erkennung von Anomalien
Detect: unser Benchmarking-Tool, das hilft, niedrig hängende Früchte im Portfolio eines Unternehmens zu identifizieren
Stromoptimierung (derzeit nur in Spanien): Unser Tool, das Nutzern hilft, den besten Stromvertrag für ihre Gebäude zu finden, um die Stromkosten zu minimieren
ABC (Automatische Baseline-Erstellung): Unser Tool, mit dem Sie Baselines erstellen können, die mit dem IPMVP-Protokoll kompatibel sind.

In unserem nächsten Webinar am 20. März können Sie mehr über unser Prognosetool, Optimise, Detect und ABC erfahren.

KI ist schon viel länger Teil der Energiemanagement-Landschaft, als vielen bewusst ist. Sie unterstützt alles von der Erstellung von Baselines bis zur Erkennung von Anomalien. Obwohl Vorschriften wie IPMVP einfachere Methoden wie die multiple lineare Regression erfordern, gibt es zahlreiche Belege dafür, dass komplexere Modelle diese traditionellen Ansätze übertreffen können, wenn es keine gesetzlichen Beschränkungen gibt. Die Komplexität dieser Lösungen mit dem Bedürfnis nach Transparenz in Einklang zu bringen, bleibt eine zentrale Herausforderung, da fortschrittliche maschinelle Lernmodelle oft schwer zu visualisieren und zu interpretieren sind.

Nichtsdestotrotz veranschaulichen die Ergebnisse aus der Praxis die eindeutigen Vorteile der KI-gestützten Innovation. Das Prognosetool von Spacewell Energy hat beispielsweise eine bemerkenswerte Verbesserung der Vorhersagegenauigkeit um 28 % gezeigt, als ein fortschrittlicheres Modell anstelle von einfacheren Methoden verwendet wurde. Auch wenn einige Anwender zunächst zögern mögen, Lösungen zu übernehmen, die sie nicht vollständig dekonstruieren können, bestätigen die deutlichen Effizienz- und Zuverlässigkeitsgewinne, dass diese hochmodernen KI-Techniken in vielen Fällen den effektivsten Weg nach vorne bieten.

Um weiter über KI im Energiemanagement und die neue Prognosefunktion zu sprechen, veranstalten wir am 20. März ein neues Webinar. Melden Sie sich noch heute an, um über die neuesten Trends und Innovationen auf dem Laufenden zu bleiben.