10. Machine Learning für die Energiemanagementoptimierung

In Unternehmen wie Privathaushalten gewinnt Nachhaltigkeit immer mehr an Bedeutung. Ein Ansatzpunkt zum effizienteren Umgang mit Wärmeenergie ist die Optimierung des Energiemanagements in Wohngebäuden. Dies soll am Beispiel der Analyse eines Klimatisierungsgeräts mit aktiver und passiver Wärmerückgewinnung demonstriert werden. Es zeigt sich, dass die intelligente, vorausschauende Steuerung solch einer Anlage Kosten und Ressourcen einsparen kann. In einem Projekt gemeinsam mit Studierenden der Unternehmens- und Wirtschaftsinformatik der Hochschule Mannheim wurde dazu die Klimatisierungsanlage „Combi S 302 Polar Top“ der Nilan GmbH mit statistischen Methoden des Maschinellen Lernens untersucht. Der Proof-of-Concept stellt die Kernfunktionen der Datenaufbereitung und -auswertung in einer Datenpipeline nach dem ETLA-Prinzip (Extract-Transform-Load-Analyze) zur Verfügung, die die Daten automatisch erhebt und bereinigt. Es folgt die Berechnung einer Prognose über das Verhalten der Anlage auf Basis von Wettervorhersagen lokaler Wetterdienste. Nutzer der Anlage können mit den aus den Predictive Analytics-Methoden gewonnenen Erkenntnissen die automatisierte Optimierung der Anlagenparameter erreichen und so die Effizienz der Anlage erhöhen.