Intelligente Lernende Systeme in Energieverbünden (ILSE)

Im Projekt wurde zwischen Anomalie und Störung unterschieden. Anomalien sind  Muster in Daten, die nicht einer zuvor definierten Vorstellung von erwartetem und normalem Verhalten entsprechen. In der Literatur findet man hierfür oft ähnliche bzw. synonyme Begriffe wie Ausreißer, Abweichungen, atypisches Verhalten oder anormale Muster. Zwar können Anomalien auf Fehler oder ineffiziente Nutzung hindeuten, es kann jedoch auch andere Ursachen geben, etwa Änderungen im Nutzerverhalten. Zudem ist die Grenze zwischen normalem und anomalem Verhalten oft unscharf und schwer zu bestimmen. Daher können an der Grenze liegende Beobachtungen, die anomal erscheinen, tatsächlich normal sein – und umgekehrt. Anomalieerkennung lässt sich als die Aufgabe verstehen, diese nicht konformen, atypischen Muster in Daten zu finden.

Demgegenüber ist eine Störung (auch: Fehler) eine Veränderung in einem System, sodass es nicht mehr zufriedenstellend arbeitet und die Anforderungen der Nutzer nicht mehr. Um eine Störung zu beheben, sind typischerweise Instandsetzungsmaßnahmen erforderlich, etwa der Austausch von Teilen oder eine Reparatur. Bei einer Störung ist in der Regel eine Kundenreaktion (zeitnah) zu erwarten, was bei der Anomalie nicht der Fall ist, da hier das System noch läuft, aber nicht effizient bzw. wie geplant.

Als Datenbasis des Projekts standen Zeitreihen aus Messwerten zur Verfügung (Vorlauf-/Rüclauftemperatur, durchschnittliche Wärmeleistung und Durchfluss), ergänzt um Informationen zu Außentemperaturen und Wochentag/Tageszeit. Im betrachteten Forschungs- und Anwendungskontext ist die Datenbasis und ihre Kuratierung nicht „Vorarbeit“, sondern der zentrale Engpass für belastbare Machine Learning‑Ergebnisse. Die Datensatzerstellung wurde entlang eines adaptierten CRISP‑DM‑Prozesses strukturiert, wobei insbesondere Synchronisation unterschiedlicher Quellen, Behandlung fehlender/unplausibler Werte, und die saubere zeitliche Modellierung von Störereignissen entscheidend waren. Das Ergebnis sind Referenzdatensätze, u. a. ein breiter Datensatz über 453 Anlagen mit 789 Störungen sowie ein Anomalie‑fokussierter Datensatz über 26 Anlagen mit 72 Störungen und 1.285 Anomalien.

Ein Kernbeitrag ist die praxisnahe Metrikdiskussion: Neben klassischen Größen wie Precision, Recall und F1-Score wurd konsequent herausgearbeitet, dass Nutzen für den Betreiber von Fernwärmenetzen nicht nur durch eine hohe Anzahl von „Treffern pro Stunde“, sondern auch durch eine hohe Vorwarnzeit und eine geringe Fehlalarmrate zustande kommt. Zusatzinformationen wie Außentemperatur und Kalendermerkmale sind für die Güte entscheidend. Für einen exemplarischen Detektor wurden Leistungsindikatoren bestimmt (u. a. F1 im Bereich ~0,79) sowie eine Vorwarnleistung, die unter konservativer Filterung in einer relevanten Fallmenge etwa in der Größenordnung der Hälfte der Störungen vor der Kundenmeldung liegt und insgesamt eine Erkennung in etwa zwei von drei dokumentierten Störungen erreicht.

Die Klassifikation von Fehlerursachen ist eine gesonderte, deutlich schwierigere Aufgabe. Eine belastbare, flächendeckende Klassifikation von Störungsursache und -ort war mit den verfügbaren Sensoren, dem starken Klassenungleichgewicht und seltenen Kombinationsfällen (überlagerte Störungen) nicht in praxistauglicher Qualität erreichbar.

Die technische Entwicklung kann nur dann nachhaltig wirksam werden, wenn sie systematisch mit dem Bedürfniswissen der späteren Anwenderinnen und Anwender gekoppelt wird. Dafür wurde ein nutzerzentriertes begleitendes Workshop-Programm aufgesetzt, das den Projektfortschritt iterativ aufgreift: Von der frühen Ideation (Lead User Workshop) über die Evaluation konkreter Prototypen bis hin zum Abschlussworkshop, in dem die Ergebnisse fachlich gespiegelt und für die Weiterentwicklung eingeordnet wurden.