Forschende am Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik (IEE) haben mit dem Team AEFDI (Automated Energy Fault Detection and Identification) daher ein Open-Source-Framework entwickelt, das auf Methoden der Künstlichen Intelligenz basiert. Unter dem Namen „EnergyFaultDetector“ steht die Software seit Kurzem frei zur Verfügung. Sie soll es ermöglichen, Betriebsdaten automatisiert auszuwerten und Auffälligkeiten in Echtzeit zu erkennen – unabhängig davon, welche Komponente überwacht wird.
Betriebsdatenanalyse ohne weitere Sensorik
Das System arbeitet mit selbstlernenden Algorithmen, die Betriebsdaten in Echtzeit auswerten und auffälliges Verhalten markieren. Grundlage sind bestehende SCADA-Daten (Supervisory Control and Data Acquisition), zusätzliche Sensorik ist nicht notwendig. Anwendungsfelder reichen von Windenergieanlagen bis zu Fernwärmenetzen oder energiewirtschaftlichen Prozessen.
Die Entwicklung basiert auf Erfahrungen aus Projekten wie ModernWindABS, in denen Windparkbetreiber den Bedarf an praxisnaher Anomalieerkennung betont hatten. Anwendungsfelder sind neben Windenergieanlagen auch andere energiewirtschaftliche Infrastrukturen wie Fernwärmenetze oder komplexe Prozesse in der Strom- und Gaswirtschaft. Erkennt das Modell ein ungewöhnliches Verhalten, wird dies transparent gemacht, sodass Wartungsteams Ursachen und Zusammenhänge besser nachvollziehen können.
Ursachenanalyse mit erklärbarer KI
Neben der reinen Fehlererkennung unterstützt das Framework auch die Eingrenzung möglicher Ursachen. Dafür wird der Algorithmus ARCANA eingesetzt, der aus dem Bereich der erklärbaren KI stammt. Damit lassen sich auch bei komplexen Modellen die maßgeblichen Einflussgrößen für eine Störung identifizieren und auf Subkomponenten einer Anlage zurückführen. So können auch die notwendigen Schritte für eine Instandsetzung gezielter vorbereitet werden.
Das Framework basiert auf einem Autoencoder-Ansatz und ist flexibel an unterschiedliche Datenquellen anpassbar. Automatische Modellanpassungen erleichtern die Skalierung auf verschiedene Anwendungsfälle.
Open-Source-Ansatz für einfache Nutzung
Der EnergyFaultDetector ist als Python-Bibliothek frei verfügbar und lässt sich über das Paketmanagementsystem pip installieren. Für einen schnellen Einstieg enthält die Software ein Modul, das mit wenigen Zeilen Code Betriebsdaten aus einer CSV-Datei analysiert und mögliche Fehler markiert.
Interessierte Anwender können das Tool in eigene Betriebsführungssysteme integrieren. Zusätzlich stellt das Fraunhofer IEE einen kostenfreien Demozugang zu einer Windüberwachungsplattform bereit, um die Anwendung in der Praxis kennenzulernen.