Big-Data-Technologien versprechen wertvolle Impulse, um die Energieeffizienz in Unternehmen zu verbessern.

Big Data, sinngemäß eingedeutscht „großes Datenaufkommen“, hat sich zu einem Schlagwort der Digitalisierung entwickelt. Das Volumen der digital verfügbaren Daten verdoppelt sich alle zwei Jahre. Dieses rasante Wachstum wird angeheizt durch die zunehmende Nutzung von Smartphones und sozialen Netzwerken sowie vom Datenzuwachs in Wirtschaft und Wissenschaft. Im Jahr 2020 wird die Menge aller gespeicherten Daten weltweit 40 Zettabytes betragen, so die Prognosen. Hielte man diese Datenmenge auf jeweils sieben Millimeter dicken 1-Terabyte-Festplatten fest, würde dieser Turm aus Datenträgern fast drei Viertel der Distanz zwischen Erde und Mond überbrücken.

Allerdings sind etwa 90 Prozent der digital verfügbaren Daten unstrukturiert. Der Mehrwert von Big-Data-Anwendungen besteht darin, die Perlen in diesem Datenmeer zu finden. Es gilt, das versteckte Wissen sinnvoll zu extrahieren, Muster zu erkennen und Gesetzmäßigkeiten abzuleiten. Hier kommt die Datenanalytik (Data Analytics) ins Spiel: Große Datenverarbeitungskapazitäten und neue Technologien zur Erfassung und Speicherung sind heute in der Lage, valide Ergebnisse aus einer gigantischen Menge heterogener, unvollständiger oder gar fehlerhaften Daten zu gewinnen.

Auf Big-Data-Technologien basierende neue Geschäftsmodelle setzen auch wertvolle Impulse für die Verbesserung der Energieeffizienz in Unternehmen. Zum Beispiel bietet die Division Digital Factory der Siemens AG Industriebetrieben „Plant Data Services“ als „Schlüssel zur Anlagenoptimierung“: Die Energie- und Produktionsdaten werden erfasst und mittels Cloud-Technologien analysiert – abgestimmt auf die jeweiligen Fragestellungen des Unternehmens. Auf einem personalisierten Webportal sieht der Kunde die visualisierten Auswertungen, die ihm ein detailliertes Bild über den Ressourcenverbrauch in der Produktion verschaffen. Diese Transparenz kann die Energiekosten um bis zu 20 Prozent senken. Als weitere positive Effekte der „Plant Data Services“ nennt Siemens eine Erhöhung der Prozesseffizienz und der Anlagenverfügbarkeit.

Das Beispiel zeigt die enge Verknüpfung von Big-Data-Technologien und „Industrie 4.0“. Dieser Begriff steht für die vierte industrielle Revolution und bringt das „Internet der Dinge und Dienste“ in Fabriken, die sich mehr und mehr zu „Smart Factories“ entwickeln: Betriebsmittel, Maschinen und Logistiksysteme sind miteinander vernetzt, wodurch dezentrale, autarke und selbstoptimierende Produktionsabläufe ermöglicht werden. Datengetriebene Ansätze sind eine wesentliche Komponente der Industrie 4.0. Dazu zählen Big-Data-Technologien wie das maschinelle Lernen, das auch das Energiesparen auf den „Lehrplan“ einer Anlage setzen kann. „Aus der Korrelation zwischen Produktionsparametern, Messwerten und Energieverbrauchswerten können energetische Verhaltensmodelle teilweise automatisch erlernt und zur Selbstoptimierung eingesetzt werden“, erklärt Dr. Ronald Künneth, stellvertretender Leiter des Geschäftsbereichs Innovation | Umwelt der IHK Nürnberg für Mittelfranken. Zu den Anwendungsmöglichkeiten des maschinellen Lernens zählt auch die vorausschauende Instandhaltung (Predictive Maintenance). Dabei erfassen Sensoren große Mengen digitaler Daten über den Zustand der Produktionsanlage. Mithilfe der Datenanalyse lassen sich mögliche Problemherde erkennen und beseitigen, ehe sie Störungen verursachen.

Mehr Transparenz durch Datenanalyse, auf diesem Grundsatz basiert das Geschäftsmodell der IngSoft GmbH. Das in Nürnberg ansässige Unternehmen hat eine Energiecontrolling-Software entwickelt, das Auffälligkeiten in Energieverbrauchsmustern automatisch entdeckt, etwa außergewöhnlich hohe Verbräuche, ungewöhnliche Verbrauchsverläufe oder Defekte. Das System ist selbstlernend; das heißt, es lernt automatisch den typischen Verlauf des Energieverbrauchs und erstellt daraus ein individuelles Referenzprofil. Zusätzlich werden zur Diagnose von Abweichungen auch Daten aus einem Cluster herangezogen. Solche Cluster werden durch eine Klassifizierung der Verbrauchsdaten aus verschiedenen Messstellen anderer Unternehmen gebildet. „Die Verantwortlichen brauchen nicht mehr alle erfassten Datenreihen einzeln sichten, sondern können sich auf die entdeckten Auffälligkeiten konzentrieren. Die automatische Erkennung von Verbrauchsmustern entlastet den Anwender im Alltag und macht das Energiemanagement effektiv“, fasst IngSoft den Vorteil dieses Moduls mit dem Namen „IngSoft InterWatt“ zusammen, das mit Unterstützung des Bundeswirtschaftsministeriums entwickelt wurde.
Energieeffizienz in Gebäuden

Die Immobilienbewirtschaftung ist ebenfalls ein viel versprechendes Anwendungsfeld für Big-Data-Technologien. Von ihnen erhoffen sich Fachleute einen großen Schub für die Energieeffizienz. Gebäude haben sich zu Systemen entwickelt, in denen eine riesige Datenmenge schwirrt. Sie wird von zahlreichen Komponenten erzeugt, darunter Beleuchtung, Heizungen, Wärmepumpen, Klimaanlagen, Photovoltaik-Anlagen etc. Ihr Zusammenspiel entscheidet maßgeblich über den Strom- und Wärmeverbrauch eines Gebäudes. Diese Parameter sind zu beeinflussen, wenn man die Daten der einzelnen Komponenten erfasst und auswertet. Auf diese Weise lassen sich Strom- und Wärmeverbrauch senken.

Ein Beispiel ist die MeteoViva Climate-Technologie. Dieses System erfasst alle für das Raumklima relevanten Daten: Energie- und Leistungspreise, Nutzung und interne Last, Gebäudedesign und Bauphysik, Wetterdaten und Sonnengang sowie Anlagen- und Regelungstechnik. Das Herzstück ist ein mathematisches Modell, das aus diesem Daten-Input mithilfe selbstlernender Algorithmen die optimalen Steuerdaten für die Heizungs-, Klima- und Lüftungsanlagen berechnet. Dazu wird zunächst ein thermodynamisches Modell des Gebäudes aufgebaut. Um die Daten zu generieren, wird das Gebäude mit Sensoren ausgestattet. Unter Berücksichtigung von Vorhersagedaten für die Gebäudenutzung und das Wetter erfolgt eine Simulation des Energieumsatzes auf dem Gebäudemodell, wobei die Ziele Kostenminimierung und Klimaoptimierung vorgegeben sind. Auf dieser Basis werden dann die Steuerdaten für die Heizungs-, Kima- und Lüftungs-Anlagen (HKL) berechnet.

Im Unterschied zu konventionellen Regelungen reagiert MeteoViva Climate also nicht auf den Ist-Zustand im Gebäude, sondern steuert den Betrieb der HKL-Anlagen vorausschauend nach den berechneten Prognosen des Wärme- und Kältebedarfs. Exakt dosiert sorgen Wärme, Kälte und Frischluft für das gewünschte Raumklima im Gebäude – bei reduziertem Energieverbrauch. In einem Bürogebäude des Verlags Nürnberger Presse ist es gelungen, den Fernwärmeverbrauch auf diese Weise jährlich um 100 MWh zu senken. Dazu wurde diese Technologie mit der Gebäudeleittechnik der Quintec Automatisierungs- und Datentechnik GmbH verknüpft, die bei Stuttgart ansässig ist.
Big Data für die Energiewende

Über das Themenfeld Energieeffizienz hinaus spielen Big-Data-Technologien eine Schlüsselrolle für die Energiewende. Für das Funktionieren eines intelligenten Stromnetzes ist es entscheidend, dass die digitalen Daten, die bei Verbrauchern, Speichern und Erzeugern anfallen, ausgewertet werden. Diese Daten tragen dazu bei, alle Akteure auf dem Strommarkt so zu koordinieren, dass Angebot und Nachfrage stets übereinstimmen und somit die Stabilität und Effizienz des gesamten Systems steigen.

Mit verbesserten selbstlernenden Algorithmen will das Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW) ein umfassendes Abbild der Energieflüsse im Stromnetz erstellen. Das intelligente Verfahren wird derzeit in einem groß angelegten Forschungsprojekt („C/sells“) getestet. Die Algorithmen sollen genauere Prognosen über den Bedarf der Verbraucher und die Stromerzeugung aus erneuerbaren Energien liefern und so den technischen und wirtschaftlichen Betrieb von Energienetzen mit einem sehr hohen Anteil von Solarenergie in 46 Beispielregionen in Süddeutschland optimieren. „Ziel ist es, Daten in einer Form und Güte zu liefern, die über derzeit kommerziell verfügbare Produkte hinausgehen“, so Dr. Jann Binder, Leiter des Fachgebiets „Photovoltaik: Module Systeme Anwendungen“ am ZSW.
Autor: Andrea Wiedemann

Source: www.ihk-nuernberg.de