Service: Prognose
Der Prognose-Service erleichtert IngenieurInnen die Erstellung von Prognose-Modellen der Nutzenergiebedarfe (Wärme, Kälte, Strom) in Produktionsbereichen. Mit dem Service können die erstellten Modelle zusätzlich in Echtzeitumgebungen eingesetzt werden. Damit wird die prädiktive Regelung der Energieversorgungssysteme für den energieflexiblen Fabrikbetrieb unterstützt.
SynErgie/PTW
Der Service besteht, wie in Abbildung 1 gezeigt, aus den Schritten Modellierung (Teil 1) und Deployment (Teil 2). Die Nutzenergiebedarfsprognosen werden als Eingangsgröße für die modell-prädiktive Regelung der Produktionsinfrastruktur benötigt und können darüber hinaus für weitere Anwendungsfälle genutzt werden.
Die Einbettung des Prognose-Service in den Regelkreis der energieflexiblen Fabrik wird in der Abbildung 1 aufgezeigt. Die Prognose bildet darin einen integralen Bestandteil, um die Energieversorgungssysteme vorausschauend betreiben zu können. Typische Eingangsgrößen für die Prognosemodelle sind Messdaten (Energiebedarf der letzten Zeit), Produktionsplandaten (geplante Fertigungsaufträge, Fabrikauslastung) und Wetterdaten (Wetterprognose des nächsten Tags). Mithilfe von aufgenommenen Daten wird im Schritt Modellierung ein Machine-Learning-Modell antrainiert. Dieses liefert dann nach dem Deployment im Live-Betrieb Prognosen für den Lastgang des Produktionssystems bis zu 24h in die Zukunft.
Die Umsetzung des Prognose-Service erfolgt in Python und Docker. Für die Modellierung wird ein Jupyter Notebook in einem vorkonfigurierten Docker-Container bereitgestellt. Dieses kann zur freien Parametrierung des Machine-Learning-Modells genutzt werden. Die Modellierung baut auf den Bibliotheken Scikit-Learn, Keras und Hyperopt auf. Die Prognosemodelle können dann im ONNX-Format (Open Neural Network eXchange) exportiert werden. Dieses Format wird für den Live-Betrieb benötigt.
Das Deployment ist über Docker-Netzwerke umgesetzt, die miteinander kommunizieren. Zunächst werden Daten aus dem Produktionssystem (unterstützte Datenquellen: OPC UA, Modbus TCP, EnEffCo REST API, CSV) gelesen und zwischengespeichert. Diese werden dann ins Prognosemodell eingegeben. Das Deployment nutzt die Bibiothek eta_utility. Die erstellte Prognose wird über eine REST-Schnittstelle freigegeben. Bestandteil der Umsetzung des Services war eine Risikoanalyse und die Implementierung von IT-Sicherheitsmaßnahmen.
Eine Demonstration des Live-Betriebs in der ETA-Fabrik zeigt dieses Video: