Energie-Anomalieerkennung

Überblick

Energy Anomaly Detection hilft Ihnen, ungewöhnliches Energieverhalten zu erkennen, dessen finanziellen Einfluss zu schätzen und wahrscheinliche Ursachen zu untersuchen.

Innerhalb von ABB Ability™ BuildingPro Suites, dieses Modul baut auf der vernetzten Gebäudeintelligenz und den proaktiven KI-Funktionen der Plattform auf, um operative Gebäudedaten in umsetzbare Erkenntnisse zu verwandeln.

Wenn Sie zuerst den konzeptionellen Hintergrund möchten, beginnen Sie hier:

Einführung in die Anomalieerkennung in intelligenten Gebäuden

Verwenden Energy Anomaly Detection bis:

• ungewöhnliches Energieverhalten über Gebäude, Standorte und Portfolios hinweg zu erkennen

• abzuschätzen, ob Anomalien zu Mehrausgaben oder Einsparungen führen

• zu verstehen, wo und wann Anomalien auftreten

• wahrscheinliche Ursachen mit Diagnosen und KI-gestützter Analyse zu untersuchen

• Anomalien zu validieren und den zukünftigen Umgang mit Anomalien zu verbessern

Was ist eine Energieanomalie?

Eine Energieanomalie ist ein gemessenes Verhalten, das erheblich vom erwarteten gesunden Verhalten eines Assets oder einer Gruppe von Assets abweicht.

Beispiele sind:

• ungewöhnlich hoher Energieverbrauch

• ungewöhnlich niedriger Energieverbrauch

• abnormale Laufzeitmuster

• Abweichungen, die sich zu bestimmten Tageszeiten wiederholen

• Abweichungen, die nur an bestimmten Wochentagen oder in bestimmten Zeiträumen auftreten

Das Modul zeigt nicht nur, dass etwas Ungewöhnliches passiert ist. Es hilft auch dabei, den Einfluss zu quantifizieren und die Untersuchung zu leiten.

Beispiel

Ein Gebäude zeigt nachts normalerweise einen niedrigen Stromverbrauch. Wenn der gemessene Verbrauch nachts plötzlich hoch bleibt, kann dies als Anomalie erkannt werden.

Wie Anomalieerkennung funktioniert

Auf hoher Ebene vergleicht das Modul gemessenes Verhalten mit dem erwarteten gesunden Verhalten und identifiziert signifikante Abweichungen.

Hierarchische Erkennung mit Kaskade

Energy Anomaly Detection verwendet einen hierarchischen Ansatz.

Sie definieren die Attribute auf hoher Ebene, nach denen das Modul aktiv nach Anomalien suchen soll. Von dort aus kann die Anomaliebewertung durch die Anlagenhierarchie kaskadieren.

Das bedeutet:

• aktivierte Attribute definieren, wo die Anomalieerkennung aktiv durchgeführt wird

• wenn weiter oben in der Hierarchie eine Anomalie erkannt wird, können auch zugehörige Assets oder Attribute auf niedrigerer Ebene in die Anomaliekaskade einbezogen werden

• Kindanomalien helfen zu erklären, wie sich eine Anomalie auf höherer Ebene über Teilanlagen und kürzere Zeiträume zusammensetzt

• relevante Zähler werden in die Kaskade einbezogen, wenn sie den konfigurierten Zählerschwellenwert für den finanziellen Einfluss überschreiten

Diese hierarchische Sicht hilft Ihnen, von einer Anomalie auf Portfolio- oder Gebäudeebene zu den wahrscheinlich beitragenden Etagen, Systemen, Geräten und Zeiträumen zu gelangen.

Beispiel

Auf Gebäudeebene wird eine Anomalie für den täglichen Stromverbrauch erkannt. Die Kaskade kann dann zugehörige Anomalien auf einzelnen Etagen und darunter bei bestimmten Geräten oder Subsystemen anzeigen, die zu der Anomalie auf höherer Ebene beigetragen haben.

Kontextbewusste KI-Analyse

Das Modul verwendet moderne KI-basierte Anomalieerkennung und -analyse, um das tatsächliche gemessene Verhalten mit dem erwarteten gesunden Verhalten des Systems zu vergleichen.

Die Analyse berücksichtigt kontextbezogene Faktoren wie:

• Wetter

• Feiertage

• historische Betriebsabläufe

Dies hilft dabei, echte Anomalien von erwarteten Veränderungen im Verbrauch zu unterscheiden, die durch externe Bedingungen verursacht werden.

In unserer Implementierung kombiniert das Modul außerdem:

• Prognosemodelle, die den erwarteten gesunden Bereich schätzen

• Anomaliescoring auf Basis der Abweichung zwischen vorhergesagten und tatsächlichen Werten

• hierarchische Gruppierung von Anomalien über Assets und Zeiträume hinweg

• regelbasierte Diagnosen

• einen KI-Analyseagenten, der Erklärungen und empfohlene Maßnahmen generiert

Zukünftige Erweiterungen können auch zusätzliche Kontextsignale berücksichtigen wie:

• Personenzahl

• Produktionseinheiten

Diese zusätzlichen Signale können die Anomalieinterpretation in Umgebungen weiter verbessern, in denen Belegung oder Produktionsaktivität den Energieverbrauch stark beeinflussen.

Beispiel

Ein höherer Heizenergieverbrauch an einem kalten Wintertag kann erwartet und nicht anomal sein. Ein höherer Heizenergieverbrauch an einem milden Feiertag mit geringer Belegung kann je nach beobachtetem Muster und Kontext anomal sein.

Was das Modul anzeigt

Das Modul hilft Ihnen, mit Anomalien über mehrere Ansichten hinweg zu arbeiten:

• Konfiguration Definieren Sie, wie die Anomalieerkennung ausgeführt werden soll und welche Attribute aktiv analysiert werden.

• Anomaly Center Überprüfen Sie Anomalien in einer hierarchischen Liste, aktualisieren Sie ihren Status und öffnen Sie zugehörige Ansichten.

• Statistiken zur Anomalieerkennung Überprüfen Sie den finanziellen Einfluss, Trends, Zeitmuster, Anomalietypen, Standorte und betroffene Assets.

• Anomaliedetails Untersuchen Sie eine einzelne Anomalie im Detail, einschließlich Diagramm, Diagnose, KI-Erklärung und Validierung.

• Registerkarte Anomalien Überprüfen Sie Anomalieinformationen direkt von einem Asset aus.

• Insight Analytics Visualisieren Sie Anomalien in der Anomalieerkennung Analysetyp.

Was ist konfigurierbar?

Sie können die folgenden Haupteinstellungen konfigurieren:

• Anomalieempfindlichkeit Legt fest, wie empfindlich das Modul bei der Klassifizierung von Abweichungen als Anomalien ist.

• Anomalie-Prüfintervall Legt fest, wie oft die Anomalieerkennung ausgeführt wird.

• Warnschwellenwert für den finanziellen Einfluss von Anomalien Legt den minimal geschätzten finanziellen Einfluss fest, der erforderlich ist, um eine Warnung auszulösen.

• Zählerschwellenwert für den finanziellen Einfluss von Anomalien Schließt Zähler aus, deren möglicher täglicher Einfluss unter dem konfigurierten Schwellenwert liegt.

• Durchschnittlicher Energiepreis Wird verwendet, um den geschätzten finanziellen Einfluss von Anomalien zu berechnen.

• Analysierte Attribute Legt fest, bei welchen Attributen auf hoher Ebene die Anomalieerkennung aktiv durchgeführt wird.

• Filteroptionen für analysierte Attribute Ermöglicht das Filtern nach Standort, Tags, Assettyp und Attributklasse, bevor Attribute aktiviert oder deaktiviert werden.

Beispiel

Sie können das Modul so konfigurieren, dass es:

• Anomalien alle 15 Minuten prüft

• eine mittlere Empfindlichkeit verwendet

• nur warnt, wenn der geschätzte Einfluss über einem definierten finanziellen Schwellenwert liegt

• nur aktiv nach ausgewählten Stromattributen ausgewählter Standorte sucht

Finanzieller Einfluss und Schweregrad

Das Modul schätzt den finanziellen Einfluss von Anomalien, damit sich Benutzer auf das Wesentliche konzentrieren können.

Je nach Ansicht können Sie Folgendes überprüfen:

• gesamter finanzieller Einfluss

• eingespartes Geld

• zu viel ausgegebenes Geld

• durchschnittlicher Einfluss pro Anomalie

• Schweregrad der Anomalie

• vorhergesagter Wert, tatsächlicher Wert und Abweichung

Dies hilft dabei, operative Maßnahmen zu priorisieren, anstatt jede Anomalie als gleich wichtig zu behandeln.

Beispiel

Wenn eine Anomalie eine kleine Abweichung, aber nur einen sehr geringen finanziellen Einfluss zeigt, ist sie möglicherweise weniger dringend. Wenn eine andere Anomalie ein ähnliches Muster, aber einen wesentlich höheren geschätzten Kosteneinfluss zeigt, kann sie zuerst priorisiert werden.

Validierung und Lernen

Benutzer können Anomalien validieren als:

• Bestätigt

• Falsch

Sie können auch Kommentare hinzufügen.

Dieses Feedback unterstützt den besseren zukünftigen Umgang mit Anomalien. In Ihrer Implementierung hilft wiederholtes Feedback zu Fehlalarmen dabei, die Wahrscheinlichkeit zu verringern, dass ähnliche Anomalien erneut gemeldet werden.

Beispiel

Wenn eine wiederkehrende Anomalie wiederholt als Falsch markiert wird, weil sie durch eine bekannte besondere Betriebssituation verursacht wird, kann das System dieses Feedback nutzen, um unnötige zukünftige Warnungen für ähnliche Fälle zu reduzieren.

Typische Anwendungsfälle

Typische Anwendungsfälle für Energy Anomaly Detection umfassen:

• unerwartete Anstiege beim Verbrauch von Beleuchtung, Heizung, Kühlung oder Steckdosenlast zu erkennen

• Gebäude, Standorte oder Systeme mit wiederholten Mehrausgaben zu identifizieren

• zeitbasierte Muster zu erkennen, zum Beispiel Anomalien, die jede Nacht oder an bestimmten Wochentagen auftreten

• eine Anomalie auf Gebäudeebene bis zu beitragenden Etagen oder Geräten zurückzuverfolgen

• die Untersuchung anhand des finanziellen Einflusses zu priorisieren

• Fehlalarme zu validieren und die Qualität zukünftiger Warnungen zu verbessern

• Betreiber mit KI-generierten Erklärungen und empfohlenen Maßnahmen zu unterstützen

Beispiele

• Ein Beleuchtungssystem läuft außerhalb der Betriebszeiten weiter.

• Der Kühlverbrauch steigt am Wochenende, obwohl das Gebäude größtenteils ungenutzt ist.

• Eine einzelne Etage trägt unverhältnismäßig stark zu einer Anomalie auf Gebäudeebene bei.

• Ein Gerät zeigt im selben stündlichen Zeitfenster wiederholt abnormales Verhalten.

Empfohlener Arbeitsablauf

Ein typischer Arbeitsablauf ist:

1. Konfigurieren Sie das Modul.

2. Wählen Sie die Attribute für die aktive Anomalieerkennung aus.

3. Überprüfen Sie erkannte Anomalien in Anomaly Center.

4. Verwenden Statistiken zur Anomalieerkennung um Muster und Prioritäten zu identifizieren.

5. Öffnen Sie die Anomaliedetails Seite, um eine bestimmte Anomalie zu untersuchen.

6. Validieren Sie die Anomalie und fügen Sie einen Kommentar hinzu.

7. Überprüfen Sie Anomalieinformationen auf Asset-Ebene in der Anomalien Registerkarte oder in Insight Analytics.

Verwandte Seiten

Verwenden Sie die folgenden Seiten für die Einrichtung und die tägliche Arbeit:

Konfiguration der Energie-AnomalieerkennungAnomalie-CenterDashboard für AnomalieerkennungsstatistikenSeite mit AnomaliedetailsRegisterkarte AnomalienAnalytiktyp für Anomalieerkennung

Hinweise

• ABB Ability™ BuildingPro Suites verbindet und analysiert Gebäude- und IoT-Daten, um umsetzbare Erkenntnisse und proaktive KI-Funktionen bereitzustellen, einschließlich anomalierelevanter Intelligenz.

• Öffentliche Produktseiten bestätigen auf hoher Ebene die KI-gestützte Anomaliefunktion der Plattform, während diese Seite den Arbeitsablauf des implementierten Moduls detaillierter beschreibt.