DE112016004932T5

DE112016004932T5 - System, Verfahren und Cloud-basierte Plattform zur Vorhersage des Energieverbrauchs

Info

Publication number: DE112016004932T5
Application number: DE112016004932.3T
Authority: DE
Inventors: Yung Fai Ho; Benjamin Li Yee Shing
Original assignee: Global Design Corp Ltd
Current assignee: Global Design Corp Ltd
Priority date: 2015-10-30
Filing date: 2016-10-28
Publication date: 2018-08-02
Also published as: US20170124466A1; GB2561474B; US10515308B2; GB2561474A; DE112016004932T8; CN108700851A; WO2017071648A1; CN108700851B; GB201808010D0

Abstract

Bereitgestellt wird ein Vorhersagesystem. Das System umfasst eine erste Datenzerlegungseinrichtung, die eingerichtet ist, eine bereitgestellte Zeitreihe von Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen zu zerlegen, und eine zweite Datenzerlegungseinrichtung, die eingerichtet ist, jede der Vielzahl von Trainingsmengen in zumindest eine Saison-Komponente und eine Trend-Komponente zu zerlegen. Das System umfasst ferner eine Regressionseinrichtung, die eingerichtet ist, eine Regressionsanalyse an den zerlegten Verbrauchsdaten basierend auf zumindest der Trend-Komponente und chronologischen Informationen in Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge durchzuführen, um eine Vorhersagefunktion zu trainieren, und eine Vorhersage-Einrichtung, die eingerichtet ist, vorhergesagte Energieverbrauchsdaten basierend auf der trainierten Vorhersagefunktion und der Art eines Tages, für den die Vorhersage erfolgt, zu schätzen. Offenbart werden ebenfalls ein Verfahren zur Vorhersage von Energieverbrauchsdaten basierend auf einer Zeitreihe von Verbrauchsdaten und eine Cloud-basierte Vorhersageplattform.

Description

TECHNISCHES GEBIET
Die vorliegende Erfindung betrifft das Vorhersagen eines Energieverbrauchs. Insbesondere betrifft die vorliegende Erfindung ein System, ein Verfahren und eine Cloud-basierte Plattform zur Vorhersage eines Energieverbrauchs.
HINTERGRUND
In Anbetracht des zu erwartenden globalen Klimawandels sind der Energieverbrauch und entsprechende Kohlendioxidemissionen in allen technischen Bereichen von besonderer Bedeutung. Ein vergleichsweise großer Teil von Primärenergie wird für den Betrieb von Wohn-, Geschäfts- und Industriegebäuden verwendet, zum Beispiel für die Beleuchtung und Heizung, Belüftung und Klimaanlagen (HVAC). Es ist allgemein bekannt, dass der Energieverbrauch in diesem Bereich heutzutage eine der größten treibenden Kräfte für Kohlendioxidemissionen ist. Um die Kohlendioxidemissionen weltweit zu verringern, ist die Energieeffizienz im Gebäudesektor neben dem Einsatz sauberer Energiequellen daher eine der besten Möglichkeiten, die Probleme des globalen Klimawandels anzugehen. Dies ist insbesondere vor dem Hintergrund steigender Bevölkerungszahlen, dem weitverbreiteten Einsatz von strombetriebenen Technologien und einer Zunahme bei der Menge an von Menschenhand gebauten Gebäuden auf dem Planeten zutreffend.
Eine Voraussetzung zum Erreichen einer hohen Energieeffizienz ist ein tiefgreifendes Verständnis des Energieverbrauchs und dessen Vorhersage. Aus dem Stand der Technik sind manche Ansätze zur Vorhersage eines Energieverbrauchs einer gegebenen Vorrichtung oder Standorts bekannt. Derartige Ansätze basieren auf der Analyse vergangener Verbrauchsdaten von Verbrauchsmessgeräten durch Anwenden eines vorhersagefähigen Algorithmus, beispielsweise basierend auf einer statistischen Datenregression oder neuralen Netzen. Jedoch bieten solche Verfahren bei vergleichsweise begrenzten Datenmengen, zum Beispiel einem monatlichen Gesamtenergieverbrauch eines Gebäudes, und sehr komplexen Energieverbrauchsmustern basierend auf einer Vielzahl von Eingangsparametern oftmals nicht ausreichend genaue Vorhersageergebnisse und erfordern sehr lange Trainings-bzw. Anlernzeiten. Darüber hinaus basieren solche Verfahren oft auf einer retrospektiven Analyse von monatlichen Verbrauchsdaten und ermöglichen es einem Inhaber oder Betreiber eines Gebäudes daher nicht, die Energieeffizienz von einem oder mehreren Gebäuden in Echtzeit einzuschätzen.
Entsprechend besteht Bedarf an verbesserten Systemen und Verfahren zur Vorhersage eines Energieverbrauchs von einem oder mehr Gebäuden. Bevorzugt sollten es solche Systeme und Verfahren einem Standortverwalter oder Inhaber ermöglichen, einen vorhergesagten Energieverbrauch mit einem echten Energieverbrauch des Gebäudes in Echtzeit zu überwachen und zu vergleichen.
DARSTELLUNG
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird ein Vorhersagesystem offenbart. Das Vorhersagesystem umfasst ein Messsystem zur Bereitstellung einer Zeitreihe von Verbrauchsdaten granularer Ebene, und eine erste Datenzerlegungseinrichtung, die eingerichtet ist, die Zeitreihe von Verbrauchsdaten granularer Ebene in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen zu zerlegen, und eine zweite Zerlegungseinrichtung, die eingerichtet ist, jede der Vielzahl von Trainingsmengen in eine Saison-Komponente und eine Trend-Komponente zu zerlegen. Das Vorhersagesystem weist ferner eine Regressionseinrichtung auf, die eingerichtet ist, eine Regressionsanalyse an den zerlegten Verbrauchsdaten basierend auf der Trend-Komponente und chronologischen Informationen in Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge durchzuführen, um eine Vorhersagefunktion zu trainieren. Das Vorhersagesystem weist ferner eine Vorhersageeinrichtung auf, die eingerichtet ist, die vorhergesagten Energieverbrauchsdaten basierend auf der trainierten Vorhersagefunktion und einer Art von Tag, für den die Vorhersage durchgeführt wird, zu schätzen.
Gemäß einem zweiten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zur Vorhersage von Energieverbrauchsdaten das Erfassen von Verbrauchsdaten von verbrauchter Energie mittels eines Messsystems. Die Energieverbrauchsdaten weisen eine Zeitreihe von Verbrauchsdaten granularer Ebene auf. Das Verfahren umfasst ferner das Zerlegen der Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen, das Trainieren einer Vorhersagefunktion unabhängig für jede Art von Tag basierend auf der Vielzahl von Trainingsmengen, und das Schätzen von vorhergesagten Energieverbrauchsdaten basierend auf der Trainings-Vorhersagefunktion und einer Art des Tags, für den die Vorhersage durchgeführt wird.
Gemäß einem dritten Aspekt der vorliegenden Erfindung wird eine Cloud-basierte Vorhersageplattform offenbart. Die Cloud-basierte Vorhersageplattform weist ein Messsystem aufweisend eine Vielzahl von Sensoren auf, die eingerichtet sind, eine Zeitreihe von Verbrauchsdaten granularer Ebene zu messen. Die Cloud-basierte Vorhersageplattform umfasst ferner ein Datenerfassungsmodul, das eingerichtet ist, die Zeitreihe der Verbrauchsdaten, die über ein Netzwerk bereitgestellt werden, zu erfassen, ein erstes Datenzerlegungsmodul, das eingerichtet ist, die Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tages zu zerlegen, und ein zweites Datenzerlegungsmodul, das eingerichtet ist, jeden der Vielzahl von Trainingsmengen in zumindest eine Saison-Komponente und eine Trend-Komponente zu zerlegen. Die Vorhersageplattform umfasst ferner ein Regressionsmodul, das eingerichtet ist, eine Regressionsanalyse an den zerlegten Verbrauchsdaten basierend auf zumindest der Trend-Komponente und chronologischen Informationen in Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge durchzuführen, um eine Vorhersagefunktion zu trainieren, ein Vorhersagemodul, das eingerichtet ist, vorhergesagte Energieverbrauchsdaten basierend auf der trainierten Vorhersagefunktion und einer Art des Tages, für den die Vorhersage durchgeführt wird, zu schätzen, und ein Ausgabemodul, das eingerichtet ist, die geschätzten, vorhergesagten Energieverbrauchsdaten an eine Nutzerschnittstelle und/oder eine Warneinrichtung und/oder eine Speichereinrichtung und/oder eine Dritt-Schnittstelle auszugeben. Das Datenerfassungsmodul, das erste Datenzerlegungsmodul, das zweite Datenzerlegungsmodul, das Regressionsmodul, und das Vorhersagemodul können in einem nichtflüchtigen Speichermedium gespeichert werden, um in einem Prozessor ausgeführt zu werden.
Durch den Einsatz von Verbrauchsdaten granularer Ebene, die in unterschiedliche Trainingsmengen und Komponenten zerlegt sind, kann eine präzisere Vorhersage der Energieverbrauchsdaten mithilfe von Daten erzielt werden, die aus einem vergleichsweise kurzen Trainingszeitraum stammen. Darüber hinaus können mit diesem Ansatz relativ feinkörnige Vorhersagedaten granularer Ebene geschätzt werden, was für eine Live-Überwachung oder Warnung verwendet werden kann, um Trends oder Abweichungen in einem Ressourcenverbrauch eines überwachten Standorts schneller zu erkennen.
Figurenliste
Verschiedene Ausführungsformen der vorliegenden Erfindung werden unten unter Bezugnahme auf die beigefügten Zeichnungen beschrieben. In den Zeichnungen werden gleiche Bezugszeichen für gleiche Elemente aus unterschiedlichen Ausführungsformen eingesetzt.

1 zeigt ein schematisches Diagramm eines Vorhersagesystems gemäß einer Ausführungsform der Erfindung.
2 zeigt ein Ablaufdiagramm eines Verfahrens zum Trainieren einer Vorhersagefunktion gemäß einer Ausführungsform der Erfindung.
3 zeigt einen Vergleich von vorhergesagten Energieverbrauchsdaten und gemessenen Energieverbrauchsdaten eines Teststandorts.

AUSFÜHRLICHE BESCHREIBUNG VON BEISPIELHAFTEN AUSFÜHRUNGSFORMEN
Ausführungsformen der vorliegenden Erfindung betreffen ein Vorhersagesystem zum Schätzen von vorhergesagten Energieverbrauchsdaten basierend auf einer trainierten Vorhersagefunktion für zumindest einen überwachten Standort wie zum Beispiel einem Gebäude. Ausführungsformen der vorliegenden Erfindung betreffen ferner ein Verfahren zur Vorhersage von Energieverbrauchsdaten und eine Cloud-basierte Vorhersageplattform, die verwendet werden können, um ein solches Vorhersagesystem zu implementieren.
1 zeigt ein Vorhersagesystem 100 gemäß einer Ausführungsform der Erfindung. Das System 100 weist eine Vorhersageplattform 110 und ein Messsystem 150 auf, das mit der Plattform über ein erstes Gateway 112 und ein zweites Gateway 152 eines Datennetzwerks 180, wie beispielsweise dem Internet, verbunden ist.
Das Messsystem 150 wird an einem zu überwachenden Standort eingesetzt, zum Beispiel einem einzelnen Gebäude oder einer Gruppe von Gebäuden. Falls mehrere Gebäude zu überwachen sind, muss jedes Gebäude sein eigenes Messsystem 150 haben. In dem abgebildeten Beispiel wird der Standort durch einen Versorgungsträger 190a an einem zentralen Elektrizitätsversorgungspunkt 192 mit elektrischer Energie versorgt. Zum Beispiel kann der Standort mit einem Energieverteilernetz des Versorgungsträgers 190a durch eine intelligente Messvorrichtung 154a verbunden sein. Darüber hinaus wird der Standort durch einen zweiten Versorgungsträger 190b an einem zentralen Gasversorgungspunkt 192b mit Gas versorgt, gemessen durch eine Gasmessvorrichtung 154b. In einer alternativen Ausführungsform kann Energie jedoch durch weniger oder mehr Anbieter, durch weniger oder mehr Versorgungspunkte und/oder durch weniger oder mehr Energieträger an dem überwachten Standort bereitgestellt werden.
Innerhalb des überwachten Standorts wird die durch den Versorgungsträger 190a zugeführte elektrische Energie durch mehrere Verteilertafeln (nicht dargestellt) verteilt. Typischerweise wird elektrische Energie, die einem spezifischen Endpunkt innerhalb des zu überwachenden Standorts zugeführt wird, über zumindest eine Verteilertafel bereitgestellt und durch zumindest einen Leistungsschutzschalter geschützt. In dem Ausführungsbeispiel, das in 1 dargestellt ist, sind nur drei Leistungsschutzschalter 160a bis 160c aus Gründen der Einfachheit dargestellt. Jedoch wird darauf hingewiesen, dass der überwachte Standort mehrere zig, hundert oder gar tausend Verteilertafeln und Leistungsschutzschalter enthalten kann.
In der beschriebenen Ausführungsform ist jedem der Leistungsschutzschalter 160a bis 160c ein entsprechender Sensor 170a bis 170c zugeordnet. Die Sensoren 170 werden an den Leistungsschutzschaltern 160 platziert, um den Energieverbrauch der entsprechenden Schaltkreise 162a bis 162c, die zu elektrischen Verbrauchern 164a bis 164c führen, zu überwachen. In einer anderen Ausführungsform können die Sensoren 170 einzelnen Geräten, Gruppen von Leistungsschutzschaltern, Verteilertafeln oder einem anderen eigenständigen Teil des Energieverteilernetzes innerhalb des zu überwachenden Standorts zugeordnet sein.
Das Messsystem 150 weist ferner ein Heiz-, Belüftungs-, und Klimaanlagen (HVAC) System 166 auf, das mit Energie in der Form von Gas durch die Gasmessvorrichtung 154b versorgt wird. Typischerweise wird das HVAC-System 166 einen oder mehrere interne Sensoren oder Steuervorrichtungen aufweisen, die Informationen über die durch das HVAC-System 166 verwendete Energie sowie deren Verteilung im überwachten Standort, zum Beispiel einem Gebäude, bereitstellen.
Die Sensoren 170, die den Leistungsschutzschaltern 160 sowie den internen Sensoren von Geräten 146 und Messgeräten 154 zugeordnet sind, werden jeweils als Sensoren granularer Ebene bezeichnet. Darüber hinaus werden die Daten, die sie sammeln, nachfolgend als Energieverbrauchswerte granularer Ebene bezeichnet.
Zudem weist das Messsystem 150 einen zusätzlichen Sensor 172 zum Erhalten von weiteren Statusinformationen über den überwachten Standort auf. In der beschriebenen Ausführungsform misst der Sensor 172 Umgebungsdaten, zum Beispiel eine Temperatur, Luftfeuchte, Windgeschwindigkeit, oder einen UV-Strahlungs-Index an einem oder mehreren Orten des überwachten Standorts. Die Umgebungsdaten, die durch den Sensor 172 erhalten werden, können dazu verwendet werden, das HVAC-System 166 zu regeln, den aktuellen Zustand des Gebäudes zu überwachen und einen aktuellen Energieverbrauch des überwachten Standorts wie untenstehend beschrieben vorherzusagen.
Das HVAC-System 166, die Sensoren 170 und 172, und optional die Messvorrichtungen 154a und 154b sind durch ein lokales Netzwerk 156 verbunden. Auf diese Weise können ortsspezifische Energieverbrauchswerte für die einzelnen Energieverbraucher 164 und 166, die auf granularer Ebene gesammelt werden, sowie weitere Messwerte wie Umgebungsdaten gesammelt und über das Gateway 152, das Datennetzwerk 180, und das Gateway 112 an der Vorhersageplattform 110 bereitgestellt werden.
Es wird drauf hingewiesen, dass die vorliegende Erfindung nicht auf das spezifische Messsystem, offenbart in 1, beschränkt ist. Für den Zweck der vorliegenden Erfindung ist es ausreichend, relativ fein-körnige Verbrauchsdaten granularer Ebene zur weiteren Analyse wie unten beschrieben bereitzustellen. Solche Daten können ebenfalls durch fortgeschrittene Datenanalyse von Daten erhalten werden, die durch einen oder wenige Sensoren, die größeren Teilen eines überwachten Standorts zugeordnet sind, denn durch eine größere Anzahl von Sensoren, die einzelnen Schaltkreisen oder energieverbrauchenden Vorrichtungen zugeordnet sind.
Die Vorhersageplattform 110 weist ein Datenerfassungsmodul 120, eine Trainingseinrichtung 130, und ein Vorhersagemodul 140 auf. Ferner weist die Vorhersageplattform 110 eine Speichereinrichtung 122, eine Speicherschnittstelle 124, und eine Nutzerschnittstelle 144 auf. Wie unten genauer beschrieben werden alle durch die Vorhersageplattform 110 verarbeiteten Daten in der zentralen Speichereinrichtung 122 gespeichert. Es wird jedoch darauf hingewiesen, dass das erfindungsgemäße Verfahren und System auch „on the fly“ bzw. zeitgleich auf verfügbaren Daten arbeiten kann, wobei Speicher nur zu Archivierungszwecken oder durch eine externe Einrichtung bereitgestellt wird. Diese Module können in Hardware oder Software oder einer Kombination aus diesen implementiert sein. Zum Beispiel können die einzelnen Module die Form von Computercode annehmen, der auf einer nicht-flüchtigen Speichervorrichtung zur Ausführung durch eine allgemeine Verarbeitungsvorrichtung gespeichert ist, zum Beispiel einem Prozessor eines Web server-Rechners.
Im Betrieb erhält das Datenerfassungsmodul 120 Verbrauchsdaten granularer Ebene von dem Messsystem 150 und speichert diese in der Speichereinrichtung 122. Solche Daten können als Trainingsmenge für die Trainingseinrichtung 130 verwendet werden, die später beschrieben wird. Alternativ können Trainingsdaten, die anderweitig erhalten werden, der Speichereinrichtung durch die Speicherschnittstelle 124 bereitgestellt werden. In beiden Fällen können die durch das Datenerfassungsmodul 120 erhaltenen Daten zur Live-Überwachung verwendet werden.
Bevor ein Energieverbrauch eines zu überwachenden Standorts zuverlässig vorhergesagt werden kann, muss die Trainingseinrichtung 130 ein Training basierend auf einer vergleichsweise großen Datenmenge durchführen. Zum Beispiel kann die Trainingseinrichtung 130 basierend auf Verbrauchsdaten granularer Ebene trainiert werden, die während eines Trainingszeitraums von ein paar Monaten erhalten wurden. Im Ergebnis erzeugt die Trainingseinrichtung 130 mehrere Parameter eines Modells, die den zu überwachenden Standort charakterisieren. Die Parameter werden ebenfalls in der Speichereinrichtung 122 gespeichert und können dann von dem Vorhersagemodul 140 verwendet werden, um Energieverbrauchsdaten auf granularer Ebene für den zu überwachenden Standort zu schätzen.
Die Verbrauchsdaten granularer Ebene, die durch das Vorhersagemodul 140 vorhergesagt werden, können dann mit den zuvor gespeicherten oder live Verbrauchsdaten, die von dem Messsystem 150 erhalten werden, vergleichen werden, um die Qualität des Vorhersagemoduls einzuschätzen und/oder um die Energieeffizienz des zu überwachenden Standorts einzuschätzen. Eine solche Einschätzung kann interaktiv mittels der Nutzerschnittstelle 144 durchgeführt werden, zum Beispiel indem es einem Administrator des verwalteten Standorts ermöglicht wird, sich bei einer entsprechenden Web-Applikation anzumelden. Alternativ können automatisierte Nachrichten, die die Aufmerksamkeit auf einen besonders hohen oder geringen Energieverbrauch lenken, vermittels automatisierter Nachrichtensysteme wie beispielsweise E-Mail oder Textnachrichten versendet werden.
Um die gewünschte Präzision des vorhergesagten Energieverbrauchs zu erreichen, zerlegt die Trainingseinrichtung 130 Trainingsdaten, die in der Speichereinrichtung 122 gespeichert sind, mittels eines Hybrid-Zerlegungsmodels. In dem gegebenen Beispiel erfolgt dies durch ein horizontales Datenzerlegungsmodul 132 und ein vertikales Datenzerlegungsmodul 134. Das horizontale Datenzerlegungsmodul 132 zerlegt die Trainingsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen. Zum Beispiel können die Trainingsdaten in Trainingsdaten für Wochentage, Wochenendtage und Feiertage separiert werden. Durch das vertikale Datenzerlegungsmodul 134 werden diese unterschiedlichen Trainingsmengen dann weiter in eine Saison-Komponente, eine Trend-Komponente und eine Rest-Komponente, wie unten genauer beschrieben, zerlegt. Zudem kann ein Regressionsmodul 136 verwendet werden, um Modellierungsparameter aus der Trend-Komponente zu erhalten, die durch das vertikale Datenzerlegungsmodul 134 bereitgestellt wird. Die Zerlegung der Daten in unterschiedliche Dimensionen durch die Datenzerlegungsmodule 132 und 134 verbessert die Qualität der Regression, die durch das Regressionsmodul 136 durchgeführt wird, und somit die Qualität des Vorhersagemodells, das durch das Vorhersagemodul 140 verwendet wird.
2 zeigt ein Ablaufdiagramm eines Verfahrens 200 zum Trainieren eines Vorhersagemodells, das zur Vorhersage von Energieverbrauchsdaten verwendet wird, gemäß einer Ausführungsform der vorliegenden Erfindung.
Wenn erfolgreich trainiert, modelliert das Verbrauchsvorhersagemodell die Verbrauchsmuster eines bestimmten Datenpunkts eines zu überwachenden Standorts, also einen Energieverbrauch granularer Ebene durch ein einzelnes Gerät, wie zum Beispiel ein HVAC- oder Beleuchtungssystem, oder eines Teils des Gebäudes, wie zum Beispiel einem bestimmten Raum oder Stockwerk. Auf diese Weise kann nicht nur der Gesamtenergieverbrauch eines Gebäudes vorhergesagt und überwacht werden, sondern es können auch der Energieverbrauch und somit die Effizienz von verschiedenen Teilen eines Gebäudes analysiert werden.
Das in 2 dargestellte Trainingsverfahren 200 besteht aus drei Hauptphasen, nämlich einer horizontalen Zerlegung, einer vertikalen Zerlegung und einer Regressionsanalyse.
In einem ersten Schritt 210 des Verfahrens 200 werden die Trainingsdaten, aufweisend eine Zeitreihe von Verbrauchsdaten 212, bereitgestellt. Zum Beispiel können historische Verbrauchswerte für jeden Tag eines Jahres und für jeden Sensor eines Messsystems 150 bereitgestellt werden, zusammen mit dazugehörigen Datumsinformationen, z.B. einem Zeitpunkt oder einem Zeitraum, bei dem die Verbrauchswerte gemessen wurden. Falls möglich weisen die bereitgestellten Trainingsdaten nicht nur historische Verbrauchswerte auf, sondern auch zugeordnete historische Umgebungsinformationen 214, wie zum Beispiel eine Temperatur, eine Luftfeuchte, eine Windstärke, und ein UV-Strahlungs-Index zu einer Zeit, bei der die Messung erfolgte.
Basierend auf den bereitgestellten historischen Verbrauchsdaten 212 wird in einem Schritt 220 eine horizontale Zerlegung durchgeführt. Entsprechend kann das horizontale Zerlegungsmodul 132 die bereitgestellten Verbrauchsdaten 212 in mehrere Trainingsmengen 222, 224 und 226 trennen, die unterschiedlichen Teilmengen der Verbrauchsdaten 212 entsprechen. Die Trainingsmengen 222, 224 und 226 werden basierend auf einer Art eines entsprechenden Tages definiert, für den die Messdaten genommen wurden. Diese horizontale Zerlegung ermöglicht es, dass das Vorhersagemodell Verhaltensveränderungen handhaben kann, die typischerweise mit kulturellen Traditionen wie beispielsweise Feiertagen und Wochenenden in Zusammenhang stehen.
Die Zerlegung aus Schritt 220 kann basierend auf festen Regeln durchgeführt werden, zum Beispiel Kalenderregeln, um die Trainingsdaten 212 in eine Vielzahl von unterschiedlichen Trainingsmengen 222, 224 und 226 zu zerlegen. Zum Beispiel kann eine erste Trainingsmenge 222 für Daten, die an normalen Arbeitstagen erhalten werden, eine zweite Trainingsmenge 224 für Wochenendtage, und eine dritte Trainingsmenge 226 für Feiertage in Schritt 220 erzeugt werden. Alternativ kann die in Schritt 222 durchgeführte Klassifizierung automatisch durch Maschinenlernen bestimmt werden, indem Tage mit ähnlichen Verbrauchsmustern identifiziert werden. Ein solcher Ansatz wird gelegentlich auch als Clustering bezeichnet. In beiden Fällen werden die Verbrauchsdaten, die in den erhaltenen Trainingsmengen 222, 224, und 226 enthalten sind, in chronologischer Reihenfolge gespeichert oder mit einer entsprechenden chronologischen Information zur weiteren Verarbeitung versehen.
In einem Schritt 230 wird jede der Trainingsmengen 222, 224 und 226, die in der horizontalen Zerlegungsphase erzeugt wurden, weiter durch das vertikale Zerlegungsmodul 134 verarbeitet. Das Ziel des vertikalen Zerlegungsmoduls besteht darin, eine Zeitfolge Y, die Verbrauchsdaten einer gegebenen Trainingsmenge 222, 224 oder 226 entspricht, in drei Komponenten zu separieren, nämlich eine Saison-Komponente S, eine Trend-Komponente T, und Reste R, d.h.: $Y = S + T + R$
Die Saison-Komponente S modelliert saisonale Effekte, also periodische Muster. Die Wirkungen von Wetter und anderen Umgebungsfaktoren werden durch die Regression der Trend-Komponente T wie unten erläutert modelliert.
Das Zerlegen der Vielzahl von unterschiedlichen Trainingsmengen 222, 224, und 226 in eine Saison-Komponente S und eine Trend-Komponente T kann mithilfe bekannter Saison-Zerlegungsalgorithmen erfolgen. Ein Beispiel für einen solchen Saison-Zerlegungsalgorithmus ist das wohlbekannte Saison-Trendzerlegungsverfahren basierend auf Loess. Dieser Ansatz wird ausführlicher in Robert B. Cleveland et al. „A seasonal-trend decomposition procedure based on Loess", Journal of Official Statistics, Auflage 6, Ausgabe 1, Seiten 1 bis 73, 1990 beschrieben. Ein anderer Algorithmus, der in der Lage ist, eine Saison-Zerlegung durchzuführen, basiert auf der Berechnung eines gleitenden Durchschnitts, wie zum Beispiel beschrieben in F.E. Grubbs (1969), Procedures for detecting outlying observations in samples, Technometrics, Auflage 11, Ausgabe 1, Seiten 1 bis 21.
Sobald sowohl die horizontale als auch die vertikale Zerlegung durchgeführt wurden, wird die Saison-Komponente S in der Speichereinrichtung 122 gespeichert und die Trend-Komponente T wird an das Regressionsmodul 136 zur weiteren Modellierung weitergereicht. Die Reste R entsprechen im Wesentlichen einem Fehler zwischen den tatsächlichen Messdaten und den Komponenten der Verbrauchsdaten, die durch die Saison-Komponente S und die Trendkomponente T modelliert wurden, und werden daher nachfolgend nicht weiter berücksichtigt. Jedoch kann die Rest-Komponente R noch hilfreich bei der Durchführung anderer analytischer Prozesse sein und kann deshalb ebenfalls in der Speichereinrichtung 122 gespeichert werden.
In Schritt 240 wird eine Regressionsanalyse hinsichtlich der Trend-Komponente T durch das Regressionsmodul 136 durchgeführt. Dieses Modul modelliert die Trend-Komponente mit der Hilfe von chronologischen Informationen, zum Beispiel Tagen, Monaten, Jahren oder Tagen der Woche. Zudem werden in der beschriebenen Ausführungsform zusätzliche Umgebungsinformationen 214 zur Modellierung verwendet, insofern sie für die Verbrauchsdaten für die Trainingsmengen 222, 224 und 226 verfügbar sind. Zum Beispiel können Temperaturdaten, Luftfeuchtedaten, Windgeschwindigkeitsdaten und UV-Index-Daten verwendet werden, um die Abhängigkeit des Energieverbrauchs eines Standorts von den vorherrschenden Wetterbedingungen zum Zeitpunkt, an dem die Messung erfolgte, zu modellieren.
Basierend auf der zuvor beschriebenen Zerlegung von Daten kann diesem Problem mit vielen unterschiedlichen Regressionsalgorithmen begegnet werden, zum Beispiel der sogenannten Ridge-Regression, die aus der Technik der Statistik bekannt ist. Solche Verfahren werden zum Beispiel beschrieben in A.E. Hoerl & R.W. Kennard (1970) „Ridge Regression: Biased estimation for nonorthogonal problems", Technometrics, Auflage 12, Ausgabe 1, 55-67, und werden deshalb hier nicht ausführlich erläutert.
Nachfolgend wird ein vereinfachtes Beispiel angegeben, um zu zeigen, wie die Regression in Schritt 240 basierend auf einem Trend-Regressionsteil T, der durch das zweite Zerlegungsmodul 134 in Schritt 230 bereitgestellt wird, durchgeführt kann.
In dem Beispiel ist die folgenden Trend-Reihe Trend_t gegeben:

Diese Trendreihe korreliert mit den folgenden Umgebungsinformationen, auch gegeben:

t	0:00	1:00	2:00	3:00	4:00	5:00	6:00	7:00	8:00	9:00

Temp.	86	85	84	83	82	81	80	80	82	83
Humidity	0.72	0,80	0,82	0,73	0.76	0.77	0,80	0.80	0.77	0.75
Wind (mph)	10	9	5	4	2	2	2	2	4	6
UV Index	0	0	0	0	0	0	0	0	1	3

10:00	11:00	12:00	13:00	14:00	15:00	16:00	17:00	18:00	19:00	20:00

87	89	92	95	96	98	91	90	90	90	88
0.67	0.62	0.52	0.46	0,42	0.38	0.58	0.57	0.58	0.57	0.61
6	7	7	6	6	7	8	7	8	8	8
5	6	8	8	8	7	5	3	1	0	0

21:00	22:00	23:00

86	85	84
0.66	0.70	0.73
8	8	7
0	0	0

Es wird darauf hingewiesen, dass allgemein Temperatur, Luftfeuchte, Windgeschwindigkeit, und UV-Index nicht die einzigen Merkmale sind, die berücksichtigt werden. Es handelt sich dabei lediglich um eine kleine Teilmenge zur Veranschaulichung. θ_t ist zum Beispiel ein Merkmalsvektor zum Zeitpunkt t, ohne Berücksichtigung einer Merkmalstransformation:
Optionale Parameter β* können erhalten werden mittels Durchführung einer Regression auf dem Vektor Trend t basierend auf der Matrix θ, wobei $θ = [θ_{0000} \dots θ_{23 : 00}]$
Zur Vereinfachung wird hier ein Verfahren der Schätzung der kleinsten Quadrate (OLS) zur Regression gewählt. In diesem Zusammenhang
In dieser Darstellung ist der letzte Eintrag von β* der Vor-Ausdruck, der dazu verwendet wird, um dem Modell einen höheren Freiheitsgrad zu geben.
Zudem können, obgleich in dem beschriebenen Beispiel nicht dargestellt, weitere Parameter als Teil des Merkmalsvektors θ verwendet werden. Zum Beispiel kann die Menge der Merkmale des Tages t einen Heizgradtagesparameter (HDD) und/oder einen Kühlgradtagesparameter für den Tag t aufweisen. Wie in dem beschriebenen Beispiel wird ein vergleichsweise kurzer Zeitraum auf Tagesbasis modelliert, der Wert von HDD und CDD wird konstant sein und in dem Vor-Ausdruck während der Regression aufgenommen werden. Wenn jedoch längere Zeiträume modelliert werden, können diese Zeiträume ausdrücklich in dem Modell ausgedrückt werden.
Als Ergebnis des Schrittes 240 werden mehrere Optimalparameter β durch das Regressionsmodul 135 bestimmt. Zum Beispiel können unterschiedliche Optimalparameter β für jede Art von Tag bestimmt werden und in der Speichereinrichtung 122 gespeichert werden. Zusammen stellen die Saison-Komponente S, bestimmt durch das vertikale Datenzerlegungsmodul 134, und die Optimalparameter β, bestimmt durch das Regressionsmodul 136, ein Modell f(t) zur Schätzung des Energieverbrauchs eines zu überwachenden Standorts für jede Art von Tag dar.
Dieses Modell kann dazu verwendet werden, den Energieverbrauch von verschiedenen Teilen eines Gebäudes basierend auf der Art von Tag, für den die Schätzung durchgeführt wird, sowie Umgebungsinformationen 214, wie beispielsweise Wetterdaten, zu bestimmen. Solche Wetterdaten können entweder durch das Messsystem 150 gemessen werden oder auf Wettervorhersagen basieren.
Die Vorhersage des Energieverbrauchs des Standorts unter Verwendung des obigen Modells erfolgt auf einer täglichen Basis. Vor dem Durchführen der Vorhersage muss man das Datum, für das die Vorhersage durchgeführt wird, gemäß den gleichen Klassifikationsregeln klassifizieren, wie sie in der horizontalen Datenzerlegung in Schritt 220 verwendet wurden. Unter der Annahme des Tagestyps i kann man erhaltene Modell dazu einsetzen, die Vorhersage basierend auf der folgenden Vorhersagefunktion durchzuführen: $γ = S_{i} + f (θ, β_{i})$
Dabei ist S_i die Saison-Komponente von Typ i, θ sind die Eingangsparameter, definiert durch das Regressionsmodul 136, die sowohl aus chronologischen Informationen und Umgebungsinformationen bestehen können, β_i sind die Optimalparameter des Typs i, und f ist das Modell, das in dem Regressionsmodul 136 verwendet wird.
Als Ergebnis des Schritts 240 bestimmt das Vorhersagemodul 140 mehrere Energieverbrauchsebenen granularer Ebene für den zu überwachenden Standort. Solche geschätzten Verbrauchsdaten können entweder verwendet werden, um den Gesamtenergieverbrauch eines überwachten Standorts vorherzusagen, zum Beispiel durch Aufsummieren aller einzelnen Verbrauchswerte, oder kann dazu verwendet werden, den Live-Energieverbrauch von verschiedenen Teilen eines Gebäudes mit entsprechenden Schätzwerten zu vergleichen. Entsprechend kann ein Verwalter eines Gebäudes leicht erkennen, wenn das gesamte Gebäude oder ein bestimmtes Teil des Gebäudes ein vorhergesagtes Energiebudget übersteigt und entsprechend handeln.
3 zeigt einen Vergleich von vorhergesagten Energieverbrauchsdaten (oberer Teil des Diagramms) und tatsächlich gemessenen, echten Energieverbrauchsdaten (unterer Teil des Diagramms) eines Teststandorts. Für den Vergleich wurden Verbrauchsdaten granularer Ebene des Teststandorts zwischen dem 1. Mai 2015 und dem 14. Juni 2015 erfasst. Basierend auf den Daten, die im Mai 2015 erfasst wurden, wurde die Vorhersagefunktion trainiert. Basierend auf diesem Training wurde der Energieverbrauch des Teststandorts für den Zeitraum vom 1. Juni 2015 bis 14. Juni 2015 geschätzt und mit dem Messenergieverbrauch für den gleichen Zeitraum verglichen. Wie in 3 zu sehen ist, besteht eine hohe Korrelation mit R² = 0,9390 selbst für diesen vergleichsweise kurzen Trainingszeitraum.
Für die in 3 dargestellte Vorhersage waren keine Umgebungsdaten für ein Training verfügbar. Mit anderen Worten basiert die Vorhersage lediglich auf dem historischen Trend, der aus den Trainingsdaten gewonnen wurde.
Wie oben ausführlich beschrieben haben die Daten, die durch die Trainingseinrichtung 130 zum Training verwendet werden, im Wesentlichen das gleiche Format wie die Messdaten, die aus dem Messsystem 150 erhalten werden. Entsprechend kann das System kontinuierlich während des Betriebs weiter angelernt werden. Im Ergebnis kann das Modell kontinuierlich verbessert werden, um genauere Schätzergebnisse zu erhalten.
Durch das Vergleichen von geschätzten Energieverbrauchswerten mit Energieverbrauchswerten, die in Echtzeit gemessen wurde, oder mit historischen Energieverbrauchsdaten 212, die als Trainingsmenge bereitgestellt wurden, kann ein Standortverwalter oder Energieberater die Effizienz des überwachten Standorts einschätzen. Entsprechend können Einrichtungen zur Verbesserung der Energieeffizient des Standorts entworfen und überwacht werden.
Zum Beispiel kann ein Standortverwalter die Energieeffizienz eines Gebäudes vor und nach einer Aufrüstung bezüglich eines Energieverbrauchers vergleichen. Zum Beispiel sollte ein Verwalter bei der Installation eines neuen Beleuchtungssystems mit einer höheren Energieeffizienz in der Lage sein, zu beobachten, dass der tatsächliche Energieverbrauch des überwachten Standorts unter die zuvor vorhergesagten Energieverbrauch fallen sollte, und die Menge an Einsparungen, die in der Praxis realisiert werden, zu beziffern. Solche Informationen können ebenfalls für sogenannte Energie-Management-Verträge (EMC) verwendet werden, wobei vorhergesagte Einsparungen hilfreich sein können, um Drittmittelfinanzierungen für Projekte zur Energieeinsparung zu erhalten.
Darüber hinaus können durch eine Live- oder fast-Live- Überwachung automatisierte Alarme erzeugt werden, falls vereinbarte Energieleistungsziele vermutlich nicht eingehalten werden. Somit kann ein energieeffizientes Management durch einen Standortverwalter durchgesetzt werden.
Basierend auf dem Regressionsmodell werden Entscheider in der Lage sein, zukünftigen Energieverbrauch basierend auf veränderten Wetter-Trends zu simulieren, wodurch sie dazu beitragen, die Kosten des Klimawandels zu beziffern und letztlich den Anstoß für eine nachhaltigere Verwaltung von Energieressourcen zu unterstützen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Robert B. Cleveland et al. „A seasonal-trend decomposition procedure based on Loess“, Journal of Official Statistics, Auflage 6, Ausgabe 1, Seiten 1 bis 73, 1990 [0033]
F.E. Grubbs (1969), Procedures for detecting outlying observations in samples, Technometrics, Auflage 11, Ausgabe 1, Seiten 1 bis 21 [0033]
A.E. Hoerl & R.W. Kennard (1970) „Ridge Regression: Biased estimation for nonorthogonal problems“, Technometrics, Auflage 12, Ausgabe 1, 55-67 [0036]

Claims

Vorhersagesystem, aufweisend: ein Messsystem zur Bereitstellung einer Zeitreihe von Verbrauchsdaten granularer Ebene; eine erste Datenzerlegungseinrichtung, die eingerichtet ist, die Zeitreihe von Verbrauchsdaten granularer Ebene in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen zu zerlegen; eine zweite Datenzerlegungseinrichtung, die eingerichtet ist, jede der Vielzahl von Trainingsmengen in eine saisonale Komponente und eine Trend-Komponente zu zerlegen; eine Regressions-Einrichtung, die eingerichtet ist, eine Regressionsanalyse an den zerlegten Daten basierend auf der Trend-Komponente und chronologischen Informationen in Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge durchzuführen, um eine Vorhersagefunktion zu trainieren; und eine Vorhersage-Einrichtung, die eingerichtet ist, vorhergesagte Energieverbrauchsdaten basierend auf der trainierten Vorhersagefunktion und einer Art von Tag, für den die Vorhersage durchgeführt wird, zu schätzen.
Vorhersagesystem nach Anspruch 1, ferner aufweisend eine Datenerfassungseinrichtung, die eingerichtet ist, Verbrauchsdaten granularer Ebene eines überwachten Standorts zu erfassen.
Vorhersagesystem nach Anspruch 2, wobei die erste Zerlegungseinrichtung eingerichtet ist, Verbrauchsdaten granularer Ebene zu zerlegen, die durch die Datenerfassungseinrichtung erfasst wurden.
Vorhersagesystem nach Anspruch 2, ferner aufweisend eine Vergleichseinrichtung, die eingerichtet ist, erfasste Verbrauchsdaten granularer Ebene des überwachten Standorts mit den geschätzten Energieverbrauchsdaten zu vergleichen.
Vorhersagesystem nach Anspruch 4, ferner aufweisend eine grafische Benutzeroberfläche, die eingerichtet ist, die erfassten Verbrauchsdaten granularer Ebene des überwachten Standorts und die geschätzten Energieverbrauchsdaten anzuzeigen.
Vorhersagesystem nach Anspruch 4, ferner aufweisend eine Warneinrichtung, die eingerichtet ist, einen Nutzer zu benachrichtigen, falls die erfassten Verbrauchsdaten granularer Ebene die vorhergesagten Energieverbrauchsdaten um mehr als eine vorgegebene Differenz übersteigen.
Vorhersagesystem nach Anspruch 1, ferner aufweisend eine Datenspeichereinrichtung, die eingerichtet ist, die Zeitreihe der Verbrauchsdaten und/oder die Vielzahl der Trainingsmengen und/oder die Saison-Komponente und/oder die Trend-Komponente und/oder die Vorhersage-Funktion und/oder die vorhergesagten Energieverbrauchsdaten zu speichern.
Verfahren zur Vorhersage von Energieverbrauchsdaten, umfassend: Erfassen von Verbrauchsdaten von verbrauchter Energie mithilfe eines Messsystems, wobei die Energieverbrauchsdaten eine Zeitreihe von Verbrauchsdaten granularer Ebene aufweisen; Zerlegen der Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen; Trainieren einer Vorhersagefunktion unabhängig für jede Art von Tag basierend auf der Vielzahl von Trainingsmengen; und Schätzen von vorhergesagten Energieverbrauchsdaten basierend auf der trainierten Vorhersagefunktion und einer Art des Tages, für den die Vorhersage durchgeführt wird.
Verfahren nach Anspruch 8, wobei, in dem Schritt der Zerlegung der Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen die Verbrauchsdaten basierend auf einer Regel in eine Folge von Wochentagen und/oder eine Folge von Wochenendtagen und/oder eine Folge von Feiertagen zerlegt werden.
Verfahren nach Anspruch 8, wobei, in dem Schritt des Zerlegens der Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen die Verbrauchsdaten in eine Vielzahl von Folgen von ähnlichen Tagen mittels eines maschinellen Lernalgorithmus basierend auf den Verbrauchsdaten zerlegt werden.
Verfahren nach Anspruch 8, ferner umfassend den Schritt des Zerlegens von jedem der Vielzahl von Trainingsmengen in eine Saison-Komponente, eine Trend-Komponente, und eine Rest-Komponente.
Verfahren nach Anspruch 11, wobei, in dem Schritt des Trainierens der Vorhersagefunktion eine Regressionsanalyse an den zerlegten Verbrauchsdaten basierend auf der Trend-Komponente und chronologischen Informationen in Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge durchgeführt wird.
Verfahren nach Anspruch 12, wobei die Regressionsanalyse ferner auf Umgebungsinformationen in Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge basiert.
Verfahren nach Anspruch 12, wobei die Umgebungsinformationen Temperaturdaten und/oder Luftfeuchtedaten und/oder Winddaten und/oder UV-Strahlungsdaten aufweisen.
Verfahren nach Anspruch 11, wobei in dem Schritt des Trainierens der Vorhersagefunktion die Vorhersagefunktion basierend auf der folgenden Reihe trainiert wird: $f (t) = f_{t y p e}^{s e a s o n a l} + f_{t y p e}^{t r e n d} (θ_{t}, β_{t y p e}^{*})$
wobei „type“ die Art des Tages t ist, θ_t eine Menge von Merkmalen des Tages t ist, und β* ein geschätzter Optimalparameter ist.
Verfahren nach Anspruch 15, wobei die Menge von Merkmalen des Tags t einen Heizgrad-Tagesparameter und/oder einen Kühlgrad-Tagesparameter für Tag t aufweist.
Verfahren nach Anspruch 8, wobei die Verbrauchsdaten granularer Ebene für zumindest eine Art von Energieressource bereitgestellt werden.
Verfahren nach Anspruch 8, wobei die Zeitreihen der Verbrauchsdaten Verbrauchsdaten für elektrische Energie und/oder Gas und/oder Öl und/oder Warmwasser und/oder Dampf aufweisen.
Cloud-basierte Vorhersageplattform, aufweisend: ein Messsystem, aufweisend eine Vielzahl von Sensoren, und eingerichtet, eine Zeitreihe von Verbrauchsdaten granularer Ebene zu messen; und einen Prozessor, aufweisend ein nicht-flüchtiges Speichermedium, das Anweisungen speichert, die in dem Prozessor ausgeführt werden sollen, wobei die Anweisungen eingerichtet sind, um die Zeitreihe von Verbrauchsdaten granularer Ebene, die über ein Datennetzwerk bereitgestellt werden, zu erfassen, die Verbrauchsdaten in eine Vielzahl von unterschiedlichen Trainingsmengen für unterschiedliche Arten von Tagen zu zerlegen; jede der Vielzahl von Trainingsmengen in zumindest eine Saison-Komponente und eine Trend-Komponente zu zerlegen; eine Regressionsanalyse an den zerlegten Verbrauchsdaten basierend auf zumindest der Trend-Komponente und chronologischen Informationen im Zusammenhang mit den Verbrauchsdaten der jeweiligen Trainingsmenge durchzuführen, um eine Vorhersagefunktion zu trainieren; vorhergesagte Energieverbrauchsdaten basierend auf der trainierten Vorhersagefunktion und einer Art eines Tages, für den die Vorhersage durchgeführt wird, zu schätzen; und die geschätzten, vorhergesagten Energieverbrauchsdaten an eine Nutzerschnittstellenanzeige und/oder eine Warneinrichtung und/oder eine Speichereinrichtung und/oder eine Dritt-Schnittstelle auszugeben.