Für bessere Energieeffizienz in Industrie, Gewerbe, Handel und der Dienstleistungsbranche entwickeln die Verbundpartner Discovergy, EasyMeter, GreenPocket und RWE GBS unter Leitung des Fraunhofer-Instituts für Mikroelektronische Schaltungen und Systeme IMS eine neue Generation von Zählern. Im Rahmen des zweijährigen Forschungsprojektes „NILM – Nonintrusive Load Monitoring“, gefördert vom Bundesministerium für Wirtschaft und Energie (BMWi), soll ein Smart Meter entstehen, der den Gesamtstromverbrauch auf einzelne Geräte aufschlüsselt. Die Partner entwickeln die entsprechende Hardware sowie die Erkennungs-Algorithmen und integrieren die Einzelgeräteerkennung in eine Energiemanagement-Software. Aus hochfrequenten Messdaten werden mittels Data Mining Methoden und maschineller Lernverfahren die Verbrauchsmuster einzelner Geräte extrahiert. Das System, das laut der Verbundpartner deutlich günstiger ist als Submetering, wird bei Testkunden aus Industrie, Gewerbe, Handel und Dienstleistungen (IGHD) erprobt und auch speziell für diesen Kundenkreis entwickelt.
Fingerabdruck im Stromnetz
Das System besteht aus einem erweiterten Smart Meter, einem Gateway und einer Software zur Verbrauchsanalyse. Das NILM-Highend-System, das bis Ende dieses Jahres in Unternehmen aus dem Sektor IGHD getestet wird, hat eine Abtastrate von bis zu 1 Megasample pro Sekunde (MS/s). Die Abtastrate ist ein Maß dafür, wie viele Informationen in einem bestimmten Signal verfügbar sind. In dieser Testphase werden aus den hochfrequenten Messdaten bei den Testunternehmen elektrische Parameter extrahiert. Diese Parameter werden dann mittels unterschiedlichster Algorithmen aus dem Bereich maschinelles Lernen auf ihre Wirksamkeit in Bezug auf die Disaggregation untersucht. Nach den umfänglichen Tests des Highend-Systems werden die gewonnenen Erkenntnisse in die Entwicklung eines kostengünstigeren NILM-Prototypen übertragen.
Der Leitgedanke des Projektes ist, dass jede Anlage oder jedes Gerät Strom und Spannung in charakteristischer Weise beeinflusst und damit eine Art Fingerabdruck im Stromnetz hinterlässt. Dieser Fingerabdruck wird als aggregierter Gesamtstromverbrauch von Messtechnik, wie Smart Metern, erfasst, welcher an nur einer Messstelle mit Hilfe spezieller NILM-Algorithmen erkannt wird. Der Gesamtstromverbrauch auf die Verbraucher aufgeschlüsselt. Als Ergebnis liefert NILM den Einzelverbindungsnachweis für die Stromrechnung.
Nur ein Zähler zur Messung von Stromflüssen
Durch Data Mining Methoden werden Muster im Gesamtstromverbrauch erkannt, die einzelnen Geräten zugeordnet werden können. In einer Labortestanlage können bereits problemlos Geräte erkannt werden, bei denen die Zuordnung des gerätespezifischen Stromverbrauches zum Strommuster durch einen vorherigen Einschaltvorgang des Gerätes erfolgte oder die eine konstante Wirkleistung aus dem Netz bezogen haben (Permanentverbraucher). Im aktuellen Forschungsprojekt NILM werden maschinelle Lernverfahren zur Mustererkennung eingesetzt, die Verbrauchsmuster von Geräten im IGHD-Sektor automatisch anhand verschiedener elektrischer Parameter aus dem Gesamtverbrauch extrahieren und klassifizieren. Durch diese Kombination von Mustererkennungs-Algorithmen und maschinellem Lernverfahren verbessert und vereinfacht die NILM-Technologie das Verfahren zur Disaggregation des Stromverbrauches. Der Einsatz mehrerer Unterzähler zur Messung von Stromflüssen wird damit überflüssig – ein Zähler reicht aus. Im Vergleich zu Untermessungen mit mehreren Zählern, auch Submetering genannt, identifiziert das NILM-System mit einem einzigen Zähler die Geräte mit dem höchsten Stromverbrauch. Damit werden nicht nur Kosten für teure Messhardware sowie Installation und Wartungsaufwände, sondern auch Stromkosten gespart. Sind die Stromfresser identifiziert, können Einsparpotentiale abgeleitet werden. Anhand der hochfrequent gemessenen Daten lässt sich leicht erkennen, welche Betriebszeiten die Geräte haben und wie Lastspitzen, bspw. durch zeitversetztes Anschalten von Anlagen, vermieden werden (sog. Peak Shaving).
Produktionsausfälle verhindern
Nach der Disaggregation werden die Messdaten in Echtzeit bereitgestellt. Durch die ständige Überwachung (sogenanntes Condition Monitoring) des energetischen Gerätezustandes kann Fehlverhalten eines Gerätes frühzeitig erkannt und ein drohender Produktionsausfall durch rechtzeitig eingeleitete Gegenmaßnahmen verhindert werden. Denn mögliches Fehlverhalten zeigt sich bereits am spezifischen Geräteverbrauchsmuster. Weichen die elektrischen Parameter des hochfrequent gemessenen IST-Verbrauchsmusters vom sonst typischen Stromverbrauchsmuster ab, kann ein Ausfall oder Defekt an einem der Anlagenteile vorliegen. Werden die Verantwortlichen im Fall solcher Abweichungen automatisch alarmiert, können rechtzeitig Gegenmaßnahmen eingeleitet und drohende Produktionsausfälle verhindert werden.
Energiekosten verursachungsgerecht ermitteln
Die Aufschlüsselung des Stromverbrauches ermöglicht zudem die verursachungsgerechte Aufteilung der Energiekosten. Das bedeutet, dass sich jedem Prozess sowie jedem Gerät exakt die Energiekosten zuordnen lassen, die für den Prozess bzw. den Betrieb des Gerätes angefallen sind. Auf Grundlage dieser Informationen kann die Analyse der Wirtschaftlichkeit bestimmter Geräte sowie Prozesse verbessert werden. Somit können Produktionsprozesse ganzheitlich optimiert werden, da Zusammenhänge zwischen Geräten untereinander sowie bei Veränderung von einzelnen Prozessschritten effizienter als beim Submetering-Verfahren sichtbar gemacht werden.
Den weiterentwickelten, NILM-fähigen Smart Meter mit hohen Abtastraten entwickelt die EasyMeter. Das Gateway und die Verarbeitungsserver werden von der Discovergy entwickelt. Die GreenPocket unterstützt die Algorithmenentwicklung, entwickelt die Verbrauchsdatenauswertung und integriert die NILM-Technologie in ihre bestehende Energiemanagement-Software für Gewerbekunden. Die Testkunden im gewerblichen und industriellen Umfeld werden von der RWE GBS gestellt.
