Warum Machine Learning?

Wenn man sich durch die Seiten von Lynus durchklickt, findet man die Wörter Algorithmen und Machine Learning ziemlich häufig. Man stellt fest, dass so gut wie alle unsere Software Tools eine Kombination aus Echtzeitdaten und Machine Learning sind. Doch warum das ganze?

Die meisten herkömmlichen Energie Management Systeme (EMS), egal ob elektrisch oder thermisch, optimieren und steuern anhand von Echtzeitdaten bzw. Momentandaten. Das bedeutet kurz zusammengefasst, auf die momentan gemessenen Werte kann eine Optimierung oder Regelung der Geräte stattfinden.

Image
Beispiel (Standardregelung)

Ist die Temperatur im Raum gerade zu tief, schaltet die Heizung ein. Erreicht die Raumtemperatur den gewünschten Sollwert, schaltet die Heizung wieder aus. Andere Einflüsse, ausser die Raumtemperatur selbst werden hier nicht beachtet.
Image

Lynus hat sich jedoch zusätzlich auf Machine Learning und Algorithmen spezialisiert, um auch historisch verarbeitete Daten und Zukunftsdaten, sogenannte „Predictions“, mit in die Optimierung und Regelung der Geräte einfliessen zu lassen.

Solche Zukunftsdaten können sein :

  • Wetterdaten
  • Zukünftige Temperaturveränderungen
  • Anwesenheiten von Personen
  • Produktionsdaten
  • Verbrauchsdaten
  • u.v.m.

Somit verwenden alle Lynus Software Tools die historisch aufgezeichneten Daten, die Echtzeitdaten am System und die Zukunftsdaten und lassen diese wieder in die Echtzeitregelung mit einfliessen.

Damit werden weitere Einsparpotentiale ermöglicht, die man ohne Machine Learning nicht realisieren könnte.

Beispiel
Ist die Temperatur im Raum zu tief, der Machine Learning Part weiss aber, dass sich in nächster Zeit keine Personen mehr im Raum aufhalten werden, oder durch die Wettereinflüsse der Raum ohne Heizung von selbst aufgewärmt wird, bleibt die Heizung aus und spart somit Energie. Diese und noch viele weiter spannende Vorteile erhält man, wenn Echtzeitdaten mit Machine Learning kombiniert werden.
Beispiel (Standartregelung)

Die PV Anlage produziert 10 kW. 4 kW werden momentan ins Netz eingespeist, es herrscht also Überschuss. Zusätzlich konsumiert das restliche Gebäude 6kW. In diesem Falle schiebt das EMS die 4 kW Überschuss, die ins Netz gespeist werden, in den Batteriespeicher, die Wärmepumpe usw. je nach Priorisierung. Über Nacht entlädt das EMS den Batteriespeicher dann, unabhängig vom PV Ertrag des nächsten Tages. Im Idealfall lädt die Batterie am nächsten Tag dann wieder aus dem PV Überschuss. Ist am folgenden Tag aber kein PV Ertrag vorhanden, so bezieht das System teuren Netzstrom und muss darüber die Verbraucher versorgen.

Bei Lynus kommen jetzt wieder die Algorithmen und das Machine Learning zum Einsatz.

Zum oben genannten Beispiel würde das dann folgendes bedeuten: Lynus weis aufgrund der ML Algorithmen bereits im Voraus welcher Ertrag und welcher Verbrauch in den nächsten Stunden im kompletten System anliegen wird. Die PV Produktion beträgt in den nächsten 24 Stunden z.B. 10 kWh. Auch die jeweilige PV Leistung in kW und der Verbrauch jedes gemessenen Verbrauchers im Systems in kW sind für die nächsten 24 Stunden bekannt. Somit können optimierte Fahrpläne erstellt werden: Ist am nächsten Tag somit genug Ertrag aus der PV Anlage, wird der Batteriespeicher über Nacht entladen und die Wärmepumpe am nächsten Tag direkt mit PV Strom gespeist. Ist hingegen die Prognose für den nächsten Tag schlecht, behält das System Kapazität im Batteriespeicher zurück und verwendet diese am nächsten Tag wenn der Strom aus dem Netz teuer ist. Ebenfalls wir die Wärmepumpe bereits Nachts betrieben, um das Stromnetzt bei Tag zu entlasten und um vom günstigeren Nachttarif zu profitieren.