Green, Green IT, alles wird Green. Die ganze Welt spart nur noch Strom. Also muss ich mir auch was zum Thema ausdenken….

Nein, im Ernst: der Antrieb, einen IPS-basierenden Stromverbrauchs-Forecast zu entwickeln liegt in diesem Falle nicht im Spar-Ansatz begründet, sondern eher im Spieltrieb, ein Forecast-Modell zu entwickeln und zu visualisieren. Wenn dabei noch eine (gemäßigte) Sensibilisierung heraus kommt: prima, nehm ich gern mit!

Also ran an das Thema und sich mal als völlig Aussenstehender mit Statistik befassen (und spannende, unverkrampfte Gespräche mit Experten aus meinem Freundeskreis geführt, herzlichen Dank dafür, Mädels). Überraschender Weise hat das sogar Spaß gemacht. Und gelernt hab ich auch was dabei.

Aber auch wer sich für Statistik/Forecasts nicht interessiert, seinen Stromverbrauch eh schon via S0, EKM-868 oder was sonst noch so als Smart-Meter durch die gegend geistert – ausliest, findet hier vielleicht ein brauchbares HighCharts-Beispiel, welches er für seine Zwecke entfremden kann.

Forecast-Modell

grundsätzliche Überlegungen (Achtung: trockene Theorie)

Zunächst stellt sich die Frage, wie man den Forecast möglichst dicht an die aktuelle Realität bringen kann. Ich habe das Forecast-Modell in 2 Betrachtungen zerlegt: in den statischen und in den dynamischen Teil.

Als erstes schaut man natürlich in die Vergangenheit und analysiert, wie diese ausgesehen hat – das wäre der statische Teil. Das passiert hier auch, nämlich durch die Durchschnittsbildung des Stundenverbrauchs des aktuellen Wochentages (Beispiel: wäre heute Dienstag, dann werden die Stundendurchschnitte für die verg. 7 Dienstage ermittelt). Diesem Vorgehen liegt die Annahme zu Grunde, dass jeder Wochentag ein anderen Verlauf hat (Sonntags wird man eine andere Verlaufskurve als Montags haben).

Um sich mit dem Modell der aktuellen Realität etwas besser anzunähern, wird der Verbrauch der verg. 60 Minuten analysiert. Und damit sind wir beim dynamischen Teil. Aus diesen Daten wird der Median ermittelt. Ich habe bewusst den Median statt des arithmetischen Mittels gewählt, um so evtl. kurzzeitige Peaks im Verbrauch möglichst wenig in das Ergebnis enfließen zu lassen.

 

Beispiel: im ersten Bild sieht man (rot markiert) einen Peak im Energieverbrauch (Durchlauferhitzer). In dieser Stunde wurden – hauptsächlich wegen des Durchlauferhitzers – 2 kWh verbraucht, während die Grundlast zu diesem Zeitpunkt etwa bei 0,5 kWh liegt. 
Würde man diese 2 kWh als Durchschnittsverbrauch der folgenden Stunden ansetzen (weil das wäre das Resultat, würde man das arithmetische Mittel 

nehmen), müsste man sich wohl einen neuen Job mitdoppelt so hohem Einkommen suchen. Mit dem Median liegt aber die Prognose weiterhin bei etwa 0,6 kWh (2. Bild, rot markiert).

 

 

Liegt jetzt dieser Median über dem Stundendurchschnitt aus der Vergangenheit, wird die Prognose auf den Wert des Medians angehoben. Und zwar nur für die folgenden Stunden, deren Durchschnittswert unter dem des Medians liegt. Der Rest bleibt unberührt. Nach mehreren Test-Wochen liefert dieses Modell für meine Umgebung erstaunlich gute Resultate. Ob dies auch in anderen Umgebungen so gut funktioniert, wird sich zeigen müssen.

 

Wenn man beide Modelle zu Beginn des Tages miteinander vergleicht, fällt der Unterschied in der Tagessumme deutlich auf. Ich habe dazu mal eine Variable mit arithmetischer Durchschnittsbildung eingeblendet: 

 

während der Forecast nach arithm. Mittel in der ersten Tageshälfte weit unter der tatsächlichen Tagessumme bleibt und erst ab nachmittags 

sich langsam an den realistischen Wert annähert, liefert das RS-Modell den ganzen Tag über ziemlich stabile Werte, die sehr nahe an der Tagessumme liegen.Noch deutlicher wird es, wenn man die Forecast-Tagessumme beider Modelle über den Tagesverlauf mit plottet und gegenüber stellt: 

weitere Überlegungen

Ich habe natürlich drüber nachgedacht, weitere Einfluss-Faktoren mit auf zu nehmen. Zum Beispiel Anwesenheit (vermutlich der größte Einflußfaktor). Das würde aber bedeuten, dass man diesen Faktor sowohl in der Vergangenheitsbetrachtung als auch in der Prognose gleichermaßen bewerten können muss. Dies setzt auch voraus, dass jeder, der dieses Forecast-Modell einsetzen möchte, auch diese Daten zur Verfügung stellen muss. Gleiches gilt für weitere, ans IP-Symcon angebundene Stromzähler. All diese Einflußfaktoren können die Prognose weiter verbessern, jedoch steigt der Aufwand enorm. Als habe ich mich (zunächst) bewusst dafür entscheiden, diese Faktoren nicht mit auf zu nehmen.

Projekt

nun genug der Theorie, ab zur Projekt-Homepage, Download gestartet und installiert: klick 

 


 

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

css.php