Energiedatenanalyse

Ein wichtiger Nutzen der erfassten und übertragenen Daten ist die Möglichkeit, diese zu analysieren. Im einfachsten Szenario generieren Verknüpfungen Alarm- und Warnmeldungen. Bei größeren Datenmengen ergibt sich ein erheblicher Mehrwert aus der geeig­neten Aufbereitung, Aggregation und Darstellung. Während sich Data Analytics auf die Interpretation von Werten aus der Vergangenheit beziehen, spielen zukünftig Prognosen eine wesentlich wichtigere Rolle. Systeme der Fraunhofer-Allianz Energie prognostizieren Energiebedarfe mittels modellbasierter Verfahren abhängig von Jahreszeit, Wochentag, Uhrzeit und zusätzlichen relevanten Einflussgrößen wie meteorologischen Nebenbedingungen. Ähnlich verhält es sich mit Condition Monitoring. Dabei werden Betriebsdaten gesammelt, um auf den derzeitigen Verschleiß schließen und rechtzeitig vor Ausfall eines Betriebsmittels geplant eingreifen zu können.

Kompetenzen der Fraunhofer-Allianz Energie im Bereich Energiedatenanalyse

Big-Data Analytics

In vielfältigen Projekten setzen Mitgliedsinstitute Technologien aus dem Bereich der Big Data Analytics ein. Beispielsweise bietet eine eigens entwickelte Erfahrungsdatenbank der Windenergiebranche Benchmarking und ermöglicht darüber hinaus die Ermittlung der Zuverlässigkeitskennwerte von Windparks, Windenergieanlagen und Komponenten. Im Rahmen eines weiteren umfangreichen Projektes werden Werkzeuge zur Bedarfs- und Potenzialanalyse von Speichern in regionalen Energiesystemen entwickelt. Dabei wird sowohl die räumliche als auch die zeitliche Variabilität von Energieproduktion und –verbrauch berücksichtigt und so ein besseres Verständnis der räumlichen Ausprägung geschaffen. Eigene Hochleistungs-Serverinfrastrukturen gewähren unseren Mitgliedsinstituten eine effiziente Analyse umfangreicher Datensätze. Ein weiterer Ansatz ist es, mittels Künstlicher Intelligenz (KI) und auf Basis so genannter Phasormessungen (PMU) Fehler und Anomalien in Stromnetzen automatisiert und in Echtzeit zu erkennen.

Projekte aus dem Kompetenzbereich

 

ML4FW

Das Projekt „ML4FW“ zielte darauf ab, mithilfe von Maschinellem Lernen den Betrieb der Fernwärmesysteme durch Optimierung der Betriebsparameter in Hausübergabestationen (HAST) zu verbessern

 

Windstore

Optimales Management von Speicherkaskaden mit Ensemble-Vorhersagen

 

eKI4DS

Das Projekt eKI4DS zielt darauf ab, Methoden der erklärbaren Künstlichen Intelligenz (KI) zu entwickeln, zu validieren und zu demonstrieren, um die dynamische Sicherheit von Stromnetzen effizient und transparent zu analysieren.

CMS / SHM

Structural Health Monitoring (SHM) und Condition Monitoring (CMS) sind Technologien, deren Aufgabe die kontinuierliche Zustandsüberprüfung einer Maschine – beispielsweise im Rahmen einer Windenergieanlage – darstellt. Anhand der ausgegebenen Kennwerte lassen sich Schäden frühzeitig erkennen und so die Wartungszeiten und -kosten maßgeblich reduzieren. Die Fraunhofer-Allianz Energie bringt SHM und CMS-Technologien unter anderem in Projekten zur Windkraft ein, so beispielsweise ein Daten- und Prozessmodell für den Betrieb und die Instandhaltung von Windenergieanlagen. Fraunhofer Forscherinnen und Forscher entwickeln fortlaufend neue Sensortechnologien und Algorithmen zur Fehlervorhersage für eine neue Generation von Condition Monitoring Systemen. Auch in Energiemanagementsystemen für Gebäude werden CMS bzw. SHM-Systeme eingesetzt.

Projekte aus dem Kompetenzbereich

 

Mon-KI

Künstliche Intelligenz für Zustandsanalyse und -vorhersage von Photovoltaik-Systemen

 

ML4Heat

Tools zum optimierten Betrieb von existierenden Fernwärmenetzen basierend auf Methoden des maschinellen Lernens

Visualisierung / Darstellung

Visualisierungen von Daten finden in einer Vielzahl unterschiedlichster Anwendungen rund um die erneuerbaren Energien ihren Einsatz. Beispielsweise zeigt eine Computersimulation mögliche Varianten eines Korridorverlaufs eines zukünftigen Stromnetzes in ländlichem Gebiet auf. Ebenso wurde ein Tool zur Zustandsüberwachung von Batterien von Hybrid- und Elektrofahrzeugen entwickelt, welches die Daten nutzerspezifisch visualisiert. Hinsichtlich der Optimierung von Betriebsstrategien von Gebäuden haben Fraunhofer Forscherinnen und Forscher außerdem eine Datenbank für Monitoring-Daten entwickelt, auf deren Basis Daten visualisiert werden und daraufhin Queranalysen zur energetischen Performance einzelner Technologien erfolgen. Auch die Entwicklung von Visualisierungen im Kontext eines erneuerbaren virtuellen Kraftwerks gehört zum umfangreichen Portfolio.

Projekte aus dem Kompetenzbereich

 

Szenario Explorer

Neue Studie zeigt Schlüsselstrategien für die Dekarbonisierung der Industrie

 

TransParEnergy

Das Ziel dieses Forschungsprojekts ist die Entwicklung eines intelligenten, interoperablen Rahmens für die städtische Energieanalyse durch die Nutzung bestehender maschineller Lerntechniken und digitaler Modellierungswerkzeuge.

 

TwinEU - Digital Twin for Europe

TwinEU entwickelt einen föderierten digitalen Zwilling für das europäische Energiesystem, um Datenaustausch, Netzbetrieb und die Integration erneuerbarer Energien zu verbessern

 

energyMaps

energyMaps visualisiert und analysiert Energiedaten räumlich, um Planung und Entscheidungsfindung in der Energiewende zu unterstützen.