Datengenerierung¶

Das Konzept der Datengenerierung der Cloud-Plattform aedifion.io.

Übersicht¶

Im Kern der Cloud-Plattform aedifion.io geht es um das Sammeln, Speichern, Verarbeiten und Visualisieren von Daten mit dem Ziel, den Betrieb von Gebäuden, Anlagen oder auch ganzen Quartieren in Bezug auf ihren Primärenergieverbrauch zu optimieren. Zu diesem Zweck sammelt aedifion kontinuierlich hochaufgelöste Zeitreihen und Metadaten direkt aus dem Gebäudeautomationssystem der angeschlossenen Anlagen, Gebäude und Quartiere. Dieser primäre, native Datensatz wird durch weitere Daten aus Drittquellen, wie z.B. Wettervorhersagen oder Raumbelegungen, ergänzt.

In diesem Kapitel stellen wir zunächst das Datenmodell der Cloud-Plattform aedifion.io vor und geben dann einen Überblick über die bereitgestellten nativen Daten und Daten aus Drittquellen.

Datenmodell¶

Alle Daten auf der Cloud-Plattform aedifion.io sind in zwei Kategorien unterteilt: Zeitreihendaten und Metadaten. Im Folgenden erläutern wir kurz, wie diese beiden Datentypen aufgebaut sind.

Zeitreihendaten¶

Unter Zeitreihendaten versteht man alle Daten, die sich im Laufe der Zeit kontinuierlich verändern. Dies gilt z.B. für reale Messungen, die von Sensoren und Aktoren im Feld gesammelt werden, aber auch für Aggregationsfunktionen von Datenströmen, die kontinuierliche Ausgaben erzeugen.

Die Datenmenge von Zeitreihendaten ist in viele einzelne Zeitreihen strukturiert, wobei jede Zeitreihe mit einem einzelnen physikalischen oder virtuellen Datenpunkt verbunden ist.

Hauptquartier
  -> Office01_RoomTemperature
  -> Office01_CO2  
  -> Office02_RoomTemperature
  -> ...
  -> Office10_RoomTemperature  
  -> Office10_CO2
  -> Offices_RoomTemperature_average
  -> Offices_CO2_average

Im obigen Beispiel sehen wir den Zeitreihendatensatz für das Gebäude Hauptquartier, der aus 22 einzelnen Zeitreihen besteht. Die ersten zwanzig davon, Office01_RoomTemperature bis Office10_CO2, entsprechen physikalischen Sensoren, während die letzten beiden, Offices_RoomTemperature_average und Offices_CO2_average, virtuellen Datenpunkten entsprechen, die durch die Berechnung des Durchschnitts über die anderen Sensoren erzeugt werden.

Eine einzelne Zeitreihe hat einen Namen und eine Liste von Beobachtungen, d.h. (Zeit, Wert) -Tupel, mit einem optionalen Satz von Tags pro Beobachtung.

Name: Office10_RoomTemperature
Time                 | Value | Tags
---------------------+-------------------------
2019-02-06T12:00:00Z |  20.1 | 
2019-02-06T12:01:30Z |  20.3 |  
2019-02-06T12:03:00Z |  20.2 | 
2019-02-06T12:04:30Z |  20.5 | maintenance=True
2019-02-06T12:06:00Z |  20.8 | maintenance=True
2019-02-06T12:07:30Z |  21.1 | maintenance=True
...
2019-02-06T23:30:00Z |   0.0 | outOfService=True
2019-02-06T23:30:00Z |   0.0 | outOfService=True

Im obigen Beispiel wird der Sensor Office10_RoomTemperature alle 1,5 Minuten ausgelesen. Die zeitabhängigen Tags markieren einen Wartungszeitraum und wann der Sensor einen Fehler gemeldet hat.

Metadaten¶

Unter Metadaten versteht man alle Daten, die im Laufe der Zeit weitgehend unverändert bleiben, z.B. Einheiten und Beschreibungen von Datenpunkten, aber auch benutzergenerierte Metadaten wie Favoriten, Umbenennungen oder Plot-Ansichten.

Die meisten Metadaten werden in Tags gespeichert, die dann frei Projekten, Geräten oder Datenpunkten zugewiesen werden können. Die Hauptbestandteile eines einzelnen Tags sind ein kurzer Schlüssel und ein beliebig langer Wert, die jeweils aus einer Zeichenfolge bestehen. Ein Tag kann so kurz und einfach sein wie 'unit'='°C' oder so lang und komplex wie eine JSON-kodierte Konfiguration einer benutzerdefinierten Plot-Ansicht, z.B.,

'plotView':
  '{
    "chart":{    
      "type":"line",
      "datapoints":[
        {
          "plotPosition":"0",
          "dataPointID":"bacnet100-4120-CO2",
          "project_id":"4",
          "interpolation":"zero-order-hold",
          "marker":"",
          "dashstyle":"solid"
        },
        {
          "plotPosition":"1",
          "dataPointID":"bacnet100-4120-Humidity-HUM",
          "project_id":"4",
          "interpolation":"zero-order-hold",
          "marker":"",
          "dashstyle":"solid"

        },
        {
          "plotPosition":"2",
          "dataPointID":"bacnet100-4120-Window-Closed-WIN",
          "project_id":"4",
          "interpolation":"zero-order-hold",
          "marker":"",
          "dashstyle":"solid"
        },
        {
          "plotPosition":"3",
          "dataPointID":"bacnet100-4120-Ambient-air-temperature-T_Amb",
          "project_id":"4",
          "interpolation":"zero-order-hold",
          "marker":"",
          "dashstyle":"solid"
        } 
      ]
    }
  }'

Tags ermöglichen das Filtern in Projekten, Geräten und Datenpunkten anhand einer Reihe von übergeordneten Kriterien, z.B. "Zeige mir alle CO2-Sensoren" oder "Filtere jeden Datenpunkt heraus, der einen Fehler meldet". Außerdem können Tags verwendet werden, um Richtlinien für die Zugriffskontrolle festzulegen, z.B. "Benutzer A erhält Zugriff auf alle Datenpunkte, die Temperatursensordaten anzeigen".

Native Daten¶

Native Daten bezeichnen alle Zeitreihen und Metadaten, die direkt von aedifion erhoben oder generiert werden und nicht aus Drittquellen stammen.

Daten des Gebäudeautomationsnetzwerks¶

Die meisten nativen Daten werden automatisch durch das Edge Device aus Ihrem Gebäudeautomationsnetzwerk ausgelesen. Dazu gehören Zeitreihendaten für alle erkannten Datenpunkte sowie Metadaten für alle erkannten Geräte und Datenpunkte.

Zeitreihe¶

Ein typisches Nicht-Wohngebäude hat zwischen 1000 und 15 000 Datenpunkte, die vom aedifion Edge Device automatisch erkannt und protokolliert werden können. Dazu gehören typischerweise, aber nicht ausschließlich, die folgenden Arten von Daten:

• Raumtemperaturen
• CO2-Konzentrationen
• Sollwerte und Zeitpläne
• Alarmzustände
• ...

Wollen Sie im Detail sehen, welche Datenpunkte erkannt wurden? Im Folgenden finden Sie eine Liste aller Datenpunkte, die das aedifion Edge Device im Hauptgebäude des E.ON ERC erkannt hat.

Metadaten¶

Die meisten Gebäudeautomationsnetzwerke wie BACnet bieten eine Reihe von Metadaten, die automatisch gesammelt werden können. Diese Metadaten werden täglich protokolliert und in die Cloud-Plattform aedifion.io eingespeist, wo sie als Tags für Geräte und Datenpunkte gespeichert werden.

Das folgende Beispiel zeigt den Satz von Metadaten-Tags, die automatisch von einem realen BACnet Datenpunkt gesammelt wurden. Wie wir sehen können, enthält dieser bereits eine Menge nützlicher Informationen, wie Minimal- und Maximalwerte, Einheiten und Fehlermarker.

Key               | Value
------------------+--------------------------------------
bacnet_id         | 514
description       | 'Ventil Kühler Besprechung-3'
deviceType        | 'AO OUT9'
minPresValue      | 0.0
maxPresValue      | 100.0
objinstance       | 3000563
objtype           | 'analogOutput'
outOfService      | 'False'
priorityArray     | ['null', 'null', ..., 'null', 100.0]
reliability       | 'noFaultDetected'
resolution        | 1.0
relinquishDefault | 0.0
statusFlags       | [0, 0, 0, 0]
units             | 'percent'

Virtuelle Datenpunkte¶

Ein virtueller Datenpunkt ist ein Datenpunkt, der nicht aus dem lokalen Gebäude, sondern aus der aedifion-Cloud stammt. Er ist in der Regel das Ergebnis einer Berechnung oder Umwandlung vorhandener physischer Datenpunkte aus dem Gebäude, z.B. der Wirkungsgrad einer Wärmepumpe.

Die Zeitreihen, die auf dem Ergebnis des virtuellen Datenpunkts basieren, werden genauso behandelt wie Zeitreihendaten. Virtuelle Datenpunkte werden als solche entsprechend dem kundenspezifischen Datenpunktschlüssel bezeichnet.

KI-generierte Metadaten¶

Die Cloud-Plattform aedifion.io nutzt modernste Techniken des maschinellen Lernens und der KI, um die bereitgestellten Daten zu erweitern. Aus den bereits vorhandenen Beobachtungen und den durch das Edge Device gesammelten Metadaten werden regelmäßig zusätzliche Tags (z.B. der Typ des Datenpunktes) ermittelt und über die API oder das Frontend bereitgestellt. Das KI-System ist lernfähig und wird ständig erweitert, um die Qualität der Tags weiter zu verbessern.

Der neueste Klassifizierer, den wir bereitstellen, ist in der Lage, die Daten in fünf Sätze von Klassen einzuteilen:

1. L1_analog_digital
2. L2_virtual
3. L3_direction
4. L4_type
5. L5_unit.

Alle Sätze von Klassen sind in einer baumartigen Struktur angeordnet, die durch Schrägstriche getrennt ist (wie eine Verzeichnisstruktur oder Pfade auf einer Website). Zum Beispiel ist innerhalb von L4_type /position/damper position mit /position/valve position und nicht mit /temperature/liquid/hot/return flow verwandt. Eine vollständige Liste der einzelnen Klassen wird unten angezeigt.

Bei jedem Durchlauf des Klassifizierers wird ein Tag für den Datenpunkt erstellt. Dieser enthält die folgenden informationen:

{
  "id": 92807,
  "key": "L4_type",
  "probability": 0.857322,
  "protected": true,
  "source": "ai",
  "value": "/gas concentration/CO2"
}

Der key des Tags ist einer der Klassensätze, z.B. "L4_type". Der Wert dieses Tags ist /gas concentration/CO2, was anzeigt, dass der analysierte Datenpunkt als CO2-Sensor erkannt wurde. Eine vollständige Liste aller möglichen Werte und ihrer Bedeutungen finden Sie in den Nutzerspezifikationen. Mit diesen Eigenschaften können Sie bereits die Menge der Datenpunkte leicht filtern.

Da die Quelle des Tags der KI-basierte Klassifizierer ist, wird als source die Information "ai" hinterlegt. Zudem wird für jeden Durchlauf des Klassifizierers die Information probability bestimmt. Diese gibt an, mit welcher Wahrscheinlichkeit die generierten Informationen zutreffen. In diesem Beispiel weist der Klassifizierer eine Wahrscheinlichkeit von 85,73% aus.

Weitere Informationen zum Klassifizierungsprozess finden Sie im Abschnitt zur KI-basierten Generierung von Metadaten.

Daten aus Drittquellen¶

Microsoft Exchange¶

Auf Wunsch können Daten aus Microsoft Exchange in die Cloud-Plattform aedifion.io integriert werden. Dies umfasst derzeit nur den Buchungsstatus von Räumen, die als Ressource in Microsoft Exchange verfügbar sind. Der Buchungsstatus wird für die Vergangenheit und Zukunft als boolesche Zeitreihe auf der Cloud-Plattform aedifion.io zur Verfügung gestellt.

Abbildung 1: Visualisierung von Temperatur, CO₂ Konzentration und Buchungsstatus eines Konferenzraums

Wetterdaten¶

Die Cloud-Plattform aedifion.io nutzt Wetterdatendienste zur Wetterdatenintegration. Daher sind auf der Cloud-Plattform aedifion.io sowohl aktuelle als auch vorhergesagte Wetterdaten für Ihren Standort, bestimmt durch die eingegebenen Koordinaten, verfügbar.

Mehr erfahren? Erkunden Sie die Wetterdaten-Spezifikationen.