Das Sub-Metering eines Gebäudes oder Standorts liefert Ihnen ein klares Bild davon, was Sie verbraucht haben. Sie sehen die Spitze von gestern, den Gesamtverbrauch des letzten Monats und welches Stockwerk am meisten zieht. Diese Transparenz zahlt sich schon dadurch aus, dass Sie Verschwendung erkennen und Rechnungen prüfen können.
Das Problem: Energieentscheidungen betreffen das Morgen, nicht das Gestern. Leistungsentgelte richten sich nach der einzelnen höchsten Spitze in einem Abrechnungszeitraum. Batterieeinsatz, Lastverschiebung und der vorzeitige Energieeinkauf hängen alle davon ab, die Last zu kennen, bevor sie eintritt. Ein Zähler, der nur die Vergangenheit meldet, lässt Geld liegen, denn die Maßnahmen, die Kosten senken, müssen vor der Spitze erfolgen, nicht erst, nachdem Sie sie in einem Diagramm sehen. Mit einer Prognose kommen Sie ihr zuvor.
Die Energielast ist eines der dankbarsten Signale für Prognosen
Zuerst die gute Nachricht: Die elektrische Last gehört zu den besser vorhersagbaren IoT-Signalen, denn sie folgt menschlichen und saisonalen Rhythmen, die sich wiederholen. Ein Gewerbegebäude folgt einer Tageskurve: nachts niedrig, morgens ansteigend, nachmittags mit Spitze, und einer Wochenkurve, bei der sich Werktage von Wochenenden unterscheiden. Ergänzen Sie einen Jahreszyklus aus Heizen und Kühlen, und Sie haben ein Signal mit ausgeprägter, stabiler Struktur.
Diese Struktur bedeutet, dass Sie keine exotische Modellierung brauchen, um eine brauchbare Prognose zu erhalten. Ein saisonales Modell, das die Muster nach Tagesstunde und Wochentag erfasst, bringt Sie bei einem typischen Gebäude schon einen Großteil des Weges. Es ist derselbe saisonale Baseline-Ansatz, der sich im gesamten IoT-Monitoring bewährt, und bei der Energie kommt er besonders zur Geltung, weil die Zyklen so konsistent sind.
Der Einflussfaktor, der ein reines Kalendermodell aushebelt: das Wetter
Eine reine Kalenderprognose unterstellt, dass jeder Dienstag im Juli gleich aussieht. Dann kommt eine Hitzewelle, und die Kühllast schießt weit über die Vorhersage hinaus, ausgerechnet an dem Tag, an dem die Prognose für ein Leistungsentgelt am wichtigsten war.
Die Temperatur ist in den meisten Gebäuden der dominierende externe Einflussfaktor der Energielast, daher muss eine ernst gemeinte Prognose sie berücksichtigen. In der Praxis heißt das, eine lokale Wettervorhersage neben den Kalendermerkmalen als Eingabe in Ihr Modell zu holen. Da eine TagoIO Analysis eine externe Wetter-API aufrufen kann, können Sie die für morgen prognostizierte Temperatur in die heutige Lastvorhersage einspeisen. Das Wetter hinzuzunehmen bringt bei Energiesignalen in der Regel den größten einzelnen Genauigkeitsgewinn gegenüber einer reinen Kalender-Baseline.
Weitere nützliche Einflussfaktoren, je nach Standort: Belegung, Produktionsplan und bekannte Ereignisse wie ein Schichtwechsel oder eine geplante Abschaltung. Jeder davon ist eine weitere Eingabe, aus der das Modell lernen kann.
Von der Prognose zum Geld
Eine Lastprognose lohnt sich nur, wenn sie eine Aktion auslöst. Die häufigsten:
Spitzenvermeidung. Sagt die Prognose voraus, dass Sie heute Nachmittag eine neue Monatsspitze erreichen, können Sie unkritische Lasten abwerfen oder eine Batterie einsetzen, bevor die Spitze Ihr Leistungsentgelt für den gesamten Zeitraum festlegt. Das ist oft die größte einzelne Einsparung aus einer Energieprognose.
Beschaffung und Verlagerung. Wenn Sie das Lastprofil von morgen kennen, können Sie Energie einkaufen oder flexible Lasten in günstigere Zeitfenster verschieben.
Budgetierung und Kontext für Anomalien. Eine Verbrauchsprognose für den kommenden Monat gibt der Finanzabteilung eine Zahl für die Planung, und sie dient zugleich als Kontext für die Anomalieerkennung: Ein Verbrauch weit über der Prognose ist ein Signal, dass etwas nicht stimmt, eine klemmende Klappe, eine ausgefallene Regelung, ein Leck.
Umsetzung auf TagoIO
Der Ablauf passt unmittelbar zur Plattform. Zählerdaten landen auf TagoIO. Eine geplante Analysis liest die jüngste Lasthistorie eines Zählers oder einer über Tags ausgewählten Gruppe, ruft eine Wettervorhersage ab, führt ein saisonales oder Machine-Learning-Modell aus und schreibt die vorhergesagte Last als Variable zurück. Ein Dashboard stellt die Prognose dem Ist-Wert gegenüber, und ein Alarm wird ausgelöst, wenn die Prognose eine neue Spitze mit genügend Vorlaufzeit zum Handeln voraussagt.
Da TagoIO Analytics die Lastprognose direkt neben Ihren Zählerdaten erzeugt, liegt das wetterinformierte Modell an einem Ort, nicht in einem separaten System, das Sie synchronisieren müssen.
Mit der Spitze beginnen, Wetter ergänzen, dann handeln
Beginnen Sie mit einer saisonalen Prognose der Kennzahl, die Sie am meisten kostet, meist die Lastspitze, und stellen Sie sie den Ist-Werten gegenüber, damit Sie sehen, wie gut sie funktioniert. Nehmen Sie das Wetter als Eingabe hinzu, denn bei der Energie ist es fast immer die größte einzelne Verbesserung. Verbinden Sie die Prognose dann mit einer Aktion, Spitzenlastabwurf oder Batterieeinsatz, und lassen Sie sie beginnen, sich zu amortisieren.
Sehen Sie, wie TagoIO Analytics das wetterinformierte Modell hinter einer Energieprognose ausführt.
Der No-Code-Weg ist TagoIO Analytics, das die Energielast für Sie prognostiziert. Melden Sie sich unter sight.tago.io/login mit Ihrem TagoIO-Konto an und trainieren Sie in wenigen Minuten ein Modell mit Ihren Zählerdaten, inklusive Prognosen und Anomalieerkennung, ganz ohne Data Scientist.
