Nachfolgender Blogpost ist Teil 2 der dreiteiligen Serie zur Nutzung existierender Systeme im Produktionsumfeld für ein automatisiertes Energiemanagement.
Die Blogreihe selbst wird durch unser kostenfreies Webinar am 02.06.2021 beschlossen. Die drei Artikel beschreiben die aktuelle Lage, welche wir in den vergangenen 9 Monaten bei Kunden in Fabrik- und Prozessautomatisierung vorgefunden haben, sowie die Lösungen und Mehrwerte, die sich aus unserer Sicht für ein jedes Unternehmen daraus ableiten lassen.
Denn das Energiemanagement hat sich als eines der vielversprechendsten Felder des Operational BI Bereichs herauskristallisiert.

Der nachfolgende Artikel beginnt dort, wo die automatisierungsseitigen Themen aus Teil 1 enden, beim Abrufen der Daten aus den Quellen und der Speicherung dieser im Data Warehouse (DWH). Weiter geht es mit dem Data Engineering, Daten Management sowie Data Governance über das Energy Insights (EI) Reporting bis hin zu Prognosen und Vorhersagen mit Energy Insights Predictive.

Die Datenbasis als Erfolgsgrundlage des Energiemanagements

Da in vielen Unternehmen die IT-Systeme nicht durchgängig miteinander vernetzt sind und Daten aus einer Vielzahl unterschiedlicher Quellen stammen, ist es immens wichtig, alle relevanten Daten für das Energiemanagement zentral bereitzustellen. Denn Verbrauchsinformationen alleine, ohne z. B. die produzierte Menge zu kennen, genügen nicht als Steuergröße für ein erfolgreiches Energiemanagement. In folgender Abbildung ist der Standardprozess unserer Energiemanagementlösung Energy Insights dargestellt.

Nachdem definiert ist, welche Daten aus welchen Quellen in welchen Zeitintervallen für das Energiemanagement benötigt werden, müssen diese aus den Quellen extrahiert, geladen und transformiert (ELT) werden. Dies erfolgt bei Hubster.S im Bereich des Data Engineering mit Hilfe von diversen ETL/ELT Tools wie SQL Server Integration Services (SSIS), Azure Data Factory (ADF) oder weiteren Tools. Zunächst werden die Daten in ihrem Rohformat aus den Quellen geladen und im DWH in einer sogenannten Staging-Datenbank gespeichert. Im Daten Management werden die Rohdaten bereinigt. Dies beinhaltet unter anderem das Entfernen bzw. Korrigieren von Fehlern, das Entfernen von Duplikaten, das Hinzufügen von Berechnungen oder das Zusammenführen von Daten. Ebenfalls werden in diesem Schritt wichtige Themen wie die Datensicherheit und Data Governance bearbeitet. Denn ohne gemeinsam definierte Regeln, Strukturen und Verantwortungsbereiche bleiben im Zweifel immer Fragen offen, welche später zu einem Sicherheitsrisiko werden können.

Maßgeschneiderte Reports und Analysen je nach Anforderung

Nachdem die Daten aufbereitet sind, wird mit den beiden Punkten Energy Insights Reporting und Predictive fortgefahren. Begonnen wird damit die Steuerungsanforderungen des Kunden, gesetzliche Anforderungen als auch die Anforderungen der DIN EN ISO 50001 sauber zu definieren. Anschließend macht es Sinn sich mit Zettel und Stift (Paper Prototyping) erste Gedanken über das Design der Dashboards und der zugrundeliegenden Daten zu machen. Erst jetzt wird damit begonnen das DWH mit Microsoft Power BI zu verbinden und die Daten zu integrieren. Als nächstes wird mit der Modellierung der Daten im Star- bzw. Snowflake-Schema fortgefahren.

Nun werden die Dashboards und Reports in einem agilen Projekt entwickelt und designt. Anhand dieser Visualisierungen und der zugrundeliegenden Daten ist ein Verbrauchsreporting in nahezu Echtzeit möglich. Die Darstellungen sowie die Filter können vom Nutzer beliebig angepasst werden. Um einen Vergleich des Energieverbrauches je Periode und potentiellen Einflussfaktoren anstellen zu können, werden in Power BI die Hauptverbraucher (SEU) und anschließend die EnPI-Funktionen ermittelt. Um schnell auf kritische Abweichungen regieren zu können, wird mit Hilfe der Microsoft Power Plattform ein benutzerdefiniertes Alertingsystem zur Verfügung gestellt, was bei über- bzw. unterschreiten von Schwellenwerten den zuständigen Mitarbeiter z. B. via E-Mail oder Microsoft Teams benachrichtigt. Mit einer ebenfalls auf Basis der Power Plattform erstellten App ist es möglich Verbesserungsmaßnahmen zu pflegen, abzuändern, nachzuverfolgen, ökonomisch zu bewerten sowie den Erfolg der Maßnahmen zu ermitteln. Mit Hilfe von EI lässt sich der Energieverbrauch kontinuierlich senken sowie der Schadstoffausstoß reduzieren. Weiter ist es natürlich auch möglich die Analysen und Reports zu Drucken bzw. als PDF zu exportieren.

Mittels EI Predicitve ist es möglich, anhand der bestehenden Daten diverse Prognosen abzuleiten. Mit Hilfe von Microsoft Azure können eine Großzahl an Machine Learning und KI-Algorithmen verwendet werden, um Vorhersagen des Energieverbrauchs zu erstellen. So ist es beispielsweise möglich ein sehr genaues Lastmanagement einzuführen und den Leistungspreis erheblich zu reduzieren. Ebenfalls ist es möglich komplexe Modellrechnungen in Bezug auf die optimale Produktionssteuerung durchzuführen. Je nach erforderlichem Output können die Anlagen so gesteuert werden, dass diese stets innerhalb des optimalen Wirkungsgrades betrieben werden.

Zertifiziertes Energiemanagement und Fördermöglichkeiten

Mit Energy Insights sind Sie von der Datenseite bestens für die Einführung eines DIN EN ISO 50001 zertifizierten Energiemanagementsystem gerüstet. Aktuell befinden wir uns im Austausch mit dem Bundesamt für Wirtschaft und Ausfuhrkontrolle (BAFA) und sind guter Dinge, dass die Energy Insights Lösung zeitnahe in die Liste der förderfähigen Softwarelösungen des BAFA aufgenommen wird.

Im letzten Teil unserer dreiteiligen Blogserie geht es im Detail um Fördermöglichkeiten von Soft- und Hardware im Zusammenhang mit der Einrichtung oder Optimierung eines Energie- und Umweltmanagementsystems.

Am 02.06.2021 findet dann das zuvor angekündigte Webinar zum Thema Energiemanagement statt. Die Anmeldung ist ab sofort möglich. Wir freuen uns auf Ihre Teilnahme.

Peter Schmäling

Peter Schmäling

Peter Schmäling ist Business Consultant bei den HUBSTER.S