TU Darmstadt / ULB / TUprints

Strommessung in einer vernetzten Welt. Entwicklung minimalinvasiver Methoden zur feingranularen Approximation von Stromflüssen in intelligenten Umgebungen

Englert, Frank (2016)
Strommessung in einer vernetzten Welt. Entwicklung minimalinvasiver Methoden zur feingranularen Approximation von Stromflüssen in intelligenten Umgebungen.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
dissertation___englert___2016.09.22.pdf
Copyright Information: CC BY-NC-ND 4.0 International - Creative Commons, Attribution NonCommercial, NoDerivs.

Download (3MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Strommessung in einer vernetzten Welt. Entwicklung minimalinvasiver Methoden zur feingranularen Approximation von Stromflüssen in intelligenten Umgebungen
Language: German
Referees: Steinmetz, Prof. Dr. Ralf ; Mauthe, Dr.-Ing. Andreas
Date: 20 September 2016
Place of Publication: Darmstadt
Date of oral examination: 5 September 2016
Abstract:

Bestehende vernetzte Stromzähler zur Erfassung der bezogenen elektrischen Arbeit sind zur Erstellung von Energiebedarfsanalysen ungeeignet. Zum einen wird die bezogene elektrische Arbeit lediglich mit einer niedrigen Abtastrate erhoben und zum anderen erfolgt keine Erfassung von Kontextdaten zu aktiven Verbrauchern. Daher erlaubt die alleinige Betrachtung von Energiedaten kaum Rückschlüsse auf die eigentlichen Ursachen des Energiebedarfs. Diese Intransparenz stellt sowohl für Privatpersonen als auch für Energie beziehende Organisationen eine große Herausforderung dar. Privatpersonen erhalten keine Rückmeldung über ineffiziente Verhaltensweisen und Organisationen können Investitionsmöglichkeiten zur Steigerung der Energieeffizienz nur schwerlich bewerten und priorisieren. Ziel dieser Dissertation ist es, Verfahren zur besseren Analyse von Energiedaten zu entwickeln, welche Detailinformationen über einzelne Verbraucher bereitstellen um Rückschlüsse auf die Ursachen des Energiebedarfs ziehen zu können. Bestehende Verfahren zur Erhebung dieser Informationen erfordern häufig aufwändige Eingriffe in die überwachte Umgebung oder sind nicht in der Lage, die zur Datenanalyse notwendigen Metadaten wie Geräteklasse oder Aufstellungsort zu einzelnen Verbrauchern bereitzustellen. Im Rahmen dieser Arbeit wurde ein minimalinvasives, zweistufiges Verfahren zur Erhebung fein aufgelöster Energiedaten entwickelt. Dabei werden im ersten Schritt Gerätezustandsdaten, sowohl über bereits in der Umgebung verbaute, als auch über einfach nachrüstbare zusätzliche Sensoren, gesammelt. Mithilfe von gerätespezifischen Energiemodellen wird anschließend aus den gesammelten Gerätezustandsdaten der Energiebezug auf Ebene einzelner Geräte ermittelt. Um die gerätespezifi- schen Energiemodelle automatisiert ableiten zu können, werden im zweiten Schritt die Gerätezustandsdaten mit den zentralisiert erfassten Energiedaten der Umgebung abgeglichen, indem die Auswirkungen von Gerätezustandsänderungen auf den ge- samten Energiebedarf der Umgebung beobachtet werden. Bedingt durch diese Vorgehensweise wird es möglich, den Energiebedarf auf Ebene von Einzelgeräten zusammen mit Metadaten wie Geräteklasse und Benutzungskontext der eingesetzten Elektrogeräte zu ermitteln. Die im Rahmen dieser Arbeit entwickelten Verfahren lassen sich mit geringem Installationsaufwand und ohne ma- nuelles Training in bestehende Umgebungen integrieren. Hierbei werden Gebäude beliebiger Größe unterstützt – das System ist sowohl in zu Wohnzwecken genutzten Gebäuden als auch in gewerblich genutzten Immobilien mit großer Nutzfläche einsetzbar. Im Rahmen einer Feldstudie wurde die Anwendbarkeit des Systems demonstriert. Hierbei konnte eine hohe Genauigkeit der verbrauchergenauen Energiebedarfsmessung von über 90% bei minimalem Installationsaufwand des Systems erzielt werden und rentable Einsparpotentiale aufgedeckt werden. Somit stellen die in dieser Dissertation entwickelten Verfahren eine wichtige Grundlage zur Analyse des Energiebedarfs von Gebäuden dar.

Alternative Abstract:
Alternative AbstractLanguage

Electric energy is typically billed in terms of the consumed monthly or yearly work. This kind of billing conceals individual effects of single actions or events. Thus, drawing conclusions on the causes of electricity consumption based on the energy bill is impossible without having additional knowledge. This factor poses a huge challenge for individuals as well as energy demanding organizations. Individuals get no feedback on inefficient behavioral patterns and organizations lack adequate means for assessing investment opportunities for increasing energy efficiency. To bridge this information gap, this work aims for developing enhanced methods for analyzing energy data. Existing approaches either require extensive changes to the existing building infrastructure or prohibit the collection of metadata on individual electricity consuming devices. In this dissertation we developed a two-staged data collection process. First, the system collects activity data for individual devices using integrated as well as addi- tional, easily deployable sensors. The latter relies on sensing electromagnetic as well as acoustic emitted by operating electricity consuming devices. In the second step, the collected activity data is fused to energy data obtained from centralized power meters. As result, one obtains the electricity demand for each device individually. Additionally, metadata on the kind of operated devices is collected. By combin- ing the information channels of power and activity, it becomes possible to conduct comprehensive reports on the causes of electricity consumption. The mechanism developed during this thesis are easily deployable and no manual training effort is required for bootstrapping. The system supports buildings of all sizes ranging from small apartments to large office areas. Its applicability was tested in two real build- ings during an extensive field study. During that study the system demonstrated a high accuracy of above 90% combined with and easy setup. Thus, the mechanism developed in this dissertation provides a strong foundation for enhancing the energy efficiency in buildings.

English
URN: urn:nbn:de:tuda-tuprints-56742
Classification DDC: 000 Generalities, computers, information > 004 Computer science
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute of Computer Engineering > Multimedia Communications
Date Deposited: 24 Oct 2016 12:36
Last Modified: 09 Jul 2020 01:25
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/5674
PPN: 389497363
Export:
Actions (login required)
View Item View Item