Enbas-KI

Die Enbas-KI ist ein wesentlicher Bestandteil der Funktionalität von Enbas. Mit ihr kann eine maximale Kostenersparnis erzielt werden und die Effizienz der vorhandenen Energie durch Optimierungen gesteigert werden.

Funktionen: 

1. Strompreis-Update: 
   Täglich um 14 Uhr werden die stündlichen Day-Ahead-Marktpreise vom nächsten Tag abgefragt und in der internen Datenbank gespeichert.  

2. Wetterdaten-Update: 
   Alle 6 Stunden werden aktuellen Wetterprognosen (Außentemperatur und Globalstrahlung) der nächstgelegensten Wetterstation geupdatet.  

Alle 6 Stunden werden die Prognosen der Sonnenwinkel (Elevation und Azimuth) geupdatet. 

3. Datenbereinigung: 
   Alle 6 Stunden werden die von der AI benötigten Daten so gefiltert und bereinigt, dass man diese im Anschluss zum Trainieren der Prognosemodelle benutzen kann.  
   Unter anderem werden z.B. die Daten der Zeiträume mit aktivierten Abwesenheiten ignoriert. 

4. Training der Prognosemodelle: 
   Jeden Tag um 00:15 Uhr werden die Prognosemodelle mit den modellspezifischen viertelstündlichen Daten trainiert. 
   Das Training beginnt aber erst, wenn mindestens 7 Tage Daten vorhanden sind. 
   Andernfalls würde das trainierte Modell keine zufriedenstellenden Prognosen liefern. 
   Je nach Prognosemodell werden zusätzlich die maximale Anzahl an Datenpunkten fürs Trainieren limitiert, da sonst das Gerät eine zu hohe Auslastung hätte. 
   Nach jedem Training wird das entstandene Modell mit dem bisherigen Modell verglichen und nur aktualisiert, wenn sich die Genauigkeit der Prognose verbessert hat. 

 
Es werden folgende zentrale Prognosemodelle trainiert: 

• Grundlast: Stromverbrauch für alle Verbraucher ohne die flexiblen Komponenten (Wärmepumpen, Elektroautos und Batterien) 
• Wärmenachfrage: Die Wärmenachfrage wird in der Form der Abkühlung der zugehörigen Pufferspeicher-Temperaturen trainiert.  
• Photovoltaik-Produktion 
• Anwesenheit des Elektroautos  

Zusätzlich werden nebenbei folgende individuelle Gegebenheiten trainiert:

• Verfahren zur Identifikation der Laufzeiten der Wärmepumpe: nur nötig, falls kein Stromzähler an der Wärmepumpe angeschlossen ist.
• Einfluss der Wärmepumpe auf die untergeordneten Pufferspeicher: Um wie viel Grad erhitzt sich der Pufferspeicher abhängig von der Temperatur im Pufferspeicher und der Leistung der Wärmepumpe. 
• Lernen der Heizkurve und damit der Grenztemperaturen zum Ein- und Ausschalten der Wärmepumpe.
• Strompreisprognose: Mittlere Tagesprognose für aktuelle Woche, zur Verteilung von wöchentlichen Ladebudgets für die Elektroautos.
• [In Zukunft]: Verluste bei Benutzung der Batterien.

5. Aktualisierung der Prognose: 
   Alle 6 Stunden werden auf Basis der neusten Prognosemodelle der 4 Bereiche die aktuellen Prognosen geupdatet. 

6. Optimierung: 
   Alle 15 Minuten werden neben den erstellten Prognosen die folgenden aktuellen Ist-Daten abgefragt:

• Temperaturen der Pufferspeicher 
• Status der Wallbox (angeschlossenes Elektroauto) 
• Ggfs. bezogener Strom des aktuell angeschlossenen Elektroautos (Ladebudget) 
• Batteriekapazität 

Dabei werden nur Komponenten berücksichtigt, für die auf der Optimierungsseite die Optimierung aktiviert ist. 

Mithilfe dieser Daten werden die optimalen Steuerungsanweisungen für 

• Wärmepumpen 
• Wallbox-Laden 
• Batterie 

mittels eines Optimierungsalgorithmus berechnet.  
Dieser versucht unter Einhaltung der eingestellten Rahmenbedingungen wie

• Minimal- & Maximaltemperaturen der Pufferspeicher 
• Ladebudgets für die Elektroautos 
• Minimal- & Maximalkapazitäten für Batterien 

die Strombezugskosten zu minimieren und gleichzeitig den Autarkiegrad zu maximieren. 

7. Steuerung: 

Alle 15 Minuten werden im Anschluss an die Optimierung die berechneten Steuerungsvorgaben weitergegeben.  

Für die Wärmepumpen mittels Temperatursimulation durch das Heat Control. 
Für die Elektroautos und Batterien mittels des internen Load-Management-Systems. 

Einschränkungen in der Anfangszeit: 

Wie oben beschrieben greift der Enbas innerhalb der ersten 7 Tage nicht in das System ein, da das Trainieren der Modelle, die Prognoseerstellung und die Optimierung in dieser Reihenfolge aufeinander aufbauen. Würden innerhalb der ersten 7 Tagen ungenaue Prognosen erstellt werden, würden die daraus resultierenden Steuerungsanweisungen auch nicht zufriedenstellend sein. Auch die ersten Prognosen werden noch gewisse Ungenauigkeiten enthalten, sodass auch die ersten Wochen der Steuerung auch nicht unbedingt perfekt laufen werden. Allerdings lernt der Enbas als intelligentes System schnell mit je mehr Daten, die ihm zur Verfügung stehen.  
Allerdings kann es in der Anfangszeit noch zu folgenden Problemen führen: 

• Unmittelbares Laden des Elektroautos: 
  Grund: Sind die Zeiten, zu denen das Auto an der Wallbox angeschlossen ist zu stark schwanken, können keine Regelmäßigkeiten im Training gefunden werden und das Prognosemodell prognostiziert im Zweifel eher die Abwesenheit des Autos.  
• Wärmepumpe wird nicht durch Steuerungsanweisung aktiviert: 
  Grund: Zum Einschalten der Wärmepumpe mittels Simulation der Temperatur, wird die Minimaltemperatur des zugehörigen Pufferspeichers im bisherigen Zeitraum benutzt, zu der die Wärmepumpe eingeschaltet wurde. Speziell im Fall von mehreren angeschlossenen Pufferspeichern an einer Wärmepumpe, kann dies in der Anfangszeit noch der Fall sein.