Business Analytics mit Hadoop und QlikView

Energiemanagement in der Fertigung bedarfsorientiert steuern

Symboldbild für Analytics: Zahlenreihen
Copyright Titelbild: © ninog / Fotolia
Bewerten
5 Bewertungen,
Durchschnitt 3,0

Kosten für Strom- und Wärmeenergie sind in produzierenden Unternehmen ein wesentlicher Faktor. Kostenreduktion durch exakte Planung des Verbrauchs ist daher eine wichtige Aufgabe des Energiemanagements. Zumal das Energiewirtschaftsgesetz es ermöglicht, bei Eigenerzeugung überschüssige Strommengen in das Netz einzuspeisen. Im Anschluss an das Forschungsprojekt „FOREnergy – Die energieflexible Fabrik“ hat SALT Solutions Masterarbeiten zur Energieprognose begleitet.

Ziel der Experten von SALT Solutions ist es, den Wärmeverbrauch eines großen Produktionsbetriebes für den nächsten Tag zu prognostizieren, um so das firmeneigene Kraftwerk optimal zu betreiben. Primär sollten die Heizenergie für Büros und Produktionshallen sowie die Prozessdampferzeugung betrachtet werden. Sofern die Kapazität des Kraftwerks den Bedarf übersteigt, kann dem Stromnetzbetreiber auch Regelleistung zur Verfügung gestellt werden.

Zahlreiche Eingangsparameter

Für die Prognose des Heizenergiebedarfs sind vor allem die Außentemperaturen und der Betriebskalender von Bedeutung. In die Prognose des benötigten Prozessdampfes gehen vorrangig die geplanten Produktionszahlen ein. Die Außentemperaturen an verschieden Standorten des Werksgeländes werden im 15-Minuten-Takt gemessen und stehen auch aus der Vergangenheit über mehrere Jahre zur Verfügung. Temperaturvorhersagen für den nächsten Tag liefert der Deutsche Wetterdienst. Der Energieverbrauch wird an verschiedenen Messstellen in den Büro- und Produktionsgebäuden erfasst und in einer Datenbank gespeichert. Produktionsplanzahlen gibt es sowohl für die Vergangenheit als auch für die Zukunft. Anhand der vorhandenen Daten soll ein zuverlässiges Modell für die Prognose des Energieverbrauchs entwickelt und in einen selbstlernenden Prozess überführt werden – die sogenannte Prediction.

© SALT Solutions

Lösung mit Hadoop-Framework

Umgesetzt wird die Energieprognose mit Werkzeugen aus dem Hadoop-Framework. Kernstück der Architektur ist Apache Spark, ein Framework für Cluster Computing. Spark bietet Libraries für Streaming, SQL-Zugriffe und Graphen-Verarbeitung sowie eine Machine Learning Library, die für die Modellbildung genutzt wird. Zwei weitere Spark-Module übernehmen die Arbeitsschritte Transformtion und Prediction. Die Daten für die Modellbildung werden nach der Transformation in Hive-Tabellen abgelegt, ebenso die Ergebnisse der Prediction-Phase. Diese können über einen QlikView-Client abgerufen und visualisiert werden.

Praktische Erfahrung

Im Rahmen der Datenanalyse wurden unterschiedliche Algorithmen von der linearen Regression über Entscheidungsbäume bis zu neuronalen Netzwerken praktisch erprobt. Auch wenn im derzeitigen Funktionsumfang des Energiemanagements die Datenmengen noch nicht den Anforderungen an Big Data entsprechen, haben alle eingesetzten Technologien die Tauglichkeit für Anwendungen in Industrieprozessen nachgewiesen.

Copyright Titelbild: © ninog / Fotolia

Zurück