Fallstudie — Stadtwerke / Fernwärme
KI Unterstützte Leckageerkennung in Fernwärmenetzen
In Fernwärmenetzen ist es entscheidend, eine Leckage und ihren Ort frühzeitig zu erkennen. Gemeinsam mit den Stadtwerken haben wir umfangreiche Daten per Echtzeitanalyse ausgewertet und Methoden der Künstlichen Intelligenz genutzt, um genau diese Aufgabe in Echtzeit zu lösen.
Das Projekt auf einen Blick
01
Herausforderung
Bei rund 800 km Netzlänge konnte das bestehende System eine Leckage zwar erkennen, aber nicht frühzeitig im konkreten Sperrgebiet lokalisieren. Servicetechniker mussten ihre Erfahrung einsetzen um nach einer vermuteten Leckage zu suchen – aufwändig und zeitintensiv.
02
Ansatz
Neue Messstationen für Temperatur und Druck, eine echtzeitnahe Big-Data-Architektur und über Simulation erzeugte Leckagezustände als Trainingsdaten – ausgewertet mit Verfahren des maschinellen Lernens.
03
Ergebnis
Eine einheitliche Echtzeitlösung, die Leckagen in einem definierten Sperrgebiet mit über 88 % Klassifikationsgüte erkennt und lokalisiert – so müssen im Ernstfall nur kleine Netzbereiche gesperrt werden.
Der Kontext
Ausgangslage
Die dauerhafte, umweltverträgliche Versorgung von Haushalten mit Energie und Wärme ist gesellschaftlich wie wirtschaftlich hochrelevant. Fernwärme ist dabei ein ökologisch verträglicher Baustein – technisch realisiert über stark gedämmte Rohrsysteme, die von heißem Wasser oder Wasserdampf durchströmt werden.
Mit rund 800 Kilometern Netzlänge zählen die Stadtwerke zu den größten Netzbetreibern Europas. Aus technischen und wirtschaftlichen Gründen brauchen sie ein System, das anzeigt, ob – und vor allem wo – ein Leck entlang des Fernwärmenetzes aufgetreten ist.
Kernfragen in Echtzeit
- Besteht eine Leckage?
- Wo befindet sich die Leckage?
- Ist – in einer Ausbaustufe – die Abschaltung von Teilbereichen des Netzes sinnvoll?
Die Aufgabe
Architekturframework als Schlüssel
Im ersten Schritt wurden Messstationen für Temperatur, Druck und weitere Messwerte in das bestehende Netz eingebaut, um diese Daten überhaupt digital zu gewinnen und mit weiteren Quellen zu verknüpfen. Da eine Leckage nur selten auftritt, wurden zusätzliche Leckagezustände über eine Simulationssoftware erzeugt, um die Algorithmen zu trainieren.
Als zweite zentrale Aufgabe entstand eine Rahmenarchitektur, die der echtzeitnahen Analyse im Big-Data-Bereich genügt und konsequent auf Skalierung ausgelegt ist: Echtzeitintegration der Daten, direkte Prozessintegration über Schnittstellen zu weiteren Softwarebausteinen sowie algorithmische Vielfalt zur Auswahl der passenden Klassifikation.
01
Vorgehen
Künstliche Intelligenz als Motor der Prozessdigitalisierung
Bei der Prozessdigitalisierung spielt – neben der Neukonzeption von Prozessen – die Umwandlung analoger Werte in ein digital nutzbares Format eine große Rolle. Diese Daten entstehen nicht zum Selbstzweck, sondern dienen der Entscheidungsunterstützung, der Optimierung und der Beeinflussung der datenerzeugenden Prozesse.
Mit dem Ziel, operative Prozesse zu optimieren, müssen die Daten möglichst zeitnah ausgewertet werden. Hier trifft der Begriff der Künstlichen Intelligenz tatsächlich zu: In Echtzeit wird entschieden, ob eine Leckage besteht, wo sie liegt – und in einer Ausbaustufe, ob die Abschaltung von Teilbereichen sinnvoll ist.
02
Vorgehen
Algorithmische Evaluation und Modellaufbau
In der Phase der algorithmischen Evaluation wurden verschiedene Verfahren des maschinellen Lernens gegeneinander getestet:
- Support Vector Machines (SVM)
- Multi Layer Perceptron – ein künstliches neuronales Netz.
- Random Forest
Für den anschließenden Aufbau des Analysemodells kam die SAP-HANA-Bibliothek PAL zum Einsatz. Ergänzend wurde eine Clusterung durchgeführt, um die gesamte Netzstruktur in sinnvolle Teilbereiche zu zerlegen – die Grundlage dafür, im Ernstfall nur kleine Bereiche sperren zu müssen.
Das Ergebnis · Echtzeitklassifikation
Die Lösung erkennt und lokalisiert Leckagen in einem definierten Sperrgebiet in Echtzeit – mit einer Klassifikationsgüte (F-Maß) von über 88 %.
In der Evaluation mit den Nutzern wurden sowohl die Klassifikationsgüte als auch die Echtzeit-Verarbeitungsgeschwindigkeit nachgewiesen. Das Projekt zeigt den Entwurf und Aufbau einer technisch und fachlich einheitlichen Echtzeitlösung – ein Beispiel dafür, wie sich die Potenziale der KI für die konkrete Unterstützung des Arbeitsalltags nutzen lassen.
Eingesetzte Methoden & Technologien
Künstliche Intelligenz · Machine Learning · Big-Data-Architektur · Echtzeitanalyse · Support Vector Machines · Multi Layer Perceptron · Random Forest · Clusterung · SAP HANA PAL · Simulationssoftware
KI-Potenziale für Ihren Arbeitsalltag nutzen
Sie möchten umfangreiche Sensordaten in Echtzeit auswerten und konkrete Entscheidungen automatisieren? Wir konzipieren und realisieren skalierbare Big-Data- und KI-Lösungen – vom Architekturframework bis zum produktiven Betrieb.
