Zum Inhalt

Datengenerierung

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

√úbersicht

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 zun√§chst das Datenmodell der Cloud-Plattform aedifion.io vor und geben dann einen √úberblick √ľber 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 ver√§ndern. Dies gilt z.B. f√ľr reale Messungen, die von Sensoren und Aktoren im Feld gesammelt werden, aber auch f√ľr Aggregationsfunktionen von Datenstr√∂men, 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 f√ľr das Geb√§ude Hauptquartier, der aus 22 einzelnen Zeitreihen besteht. Die ersten zwanzig davon, Office01_RoomTemperature bis Office10_CO2, entsprechen physikalischen Sensoren, w√§hrend die letzten beiden, Offices_RoomTemperature_average und Offices_CO2_average, virtuellen Datenpunkten entsprechen, die durch die Berechnung des Durchschnitts √ľber 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.

Beispielhafte Zeitreihe

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, Ger√§ten oder Datenpunkten zugewiesen werden k√∂nnen. Die Hauptbestandteile eines einzelnen Tags sind ein kurzer Schl√ľssel und ein beliebig langer Wert, die jeweils aus einer Zeichenfolge bestehen. Ein Tag kann so kurz und einfach sein wie 'unit'='¬įC' 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 erm√∂glichen das Filtern in Projekten, Ger√§ten und Datenpunkten anhand einer Reihe von √ľbergeordneten Kriterien, z.B. "Zeige mir alle CO2-Sensoren" oder "Filtere jeden Datenpunkt heraus, der einen Fehler meldet". Au√üerdem k√∂nnen Tags verwendet werden, um Richtlinien f√ľr die Zugriffskontrolle festzulegen, z.B. "Benutzer A erh√§lt 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 Geb√§udeautomationsnetzwerk ausgelesen. Dazu geh√∂ren Zeitreihendaten f√ľr alle erkannten Datenpunkte sowie Metadaten f√ľr alle erkannten Ger√§te 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 Zeitpl√§ne
  • Alarmzust√§nde
  • ...

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.

Download: Vollständige Datenpunktliste des E.ON ERC

Metadaten

Die meisten Geb√§udeautomationsnetzwerke wie BACnet bieten eine Reihe von Metadaten, die automatisch gesammelt werden k√∂nnen. Diese Metadaten werden t√§glich protokolliert und in die Cloud-Plattform aedifion.io eingespeist, wo sie als Tags f√ľr Ger√§te 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 k√∂nnen, enth√§lt dieser bereits eine Menge n√ľtzlicher Informationen, wie Minimal- und Maximalwerte, Einheiten und Fehlermarker.

Tags realer Datenpunkte

Key               | Value
------------------+--------------------------------------
bacnet_id         | 514
description       | 'Ventil K√ľhler 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 Datenpunktschl√ľssel 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 regelm√§√üig zus√§tzliche Tags (z.B. der Typ des Datenpunktes) ermittelt und √ľber die API oder das Frontend bereitgestellt. Das KI-System ist lernf√§hig und wird st√§ndig erweitert, um die Qualit√§t der Tags weiter zu verbessern.

Der neueste Klassifizierer, den wir bereitstellen, ist in der Lage, die Daten in f√ľnf S√§tze 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.

L1_analog_digital:
  1. /analog
  2. /digital
  3. /multi-state
L2_virtual:
  1. /physical
  2. /virtual
L3_direction:
  1. /input
  2. /output
L4_type:
  1. /counter
  2. /electric/current
  3. /electric/frequency
  4. /electric/power factor
  5. /electric/resistor
  6. /electric/voltage
  7. /energy/chill energy
  8. /energy/electrical energy
  9. /energy/heat energy
  10. /gas concentration/CO2
  11. /gas concentration/VOC
  12. /global radiation
  13. /illumination intensity
  14. /message/alarm
  15. /message/available
  16. /message/modus
  17. /message/operating
  18. /message/presence
  19. /message/switch command
  20. /misc /operating time
  21. /parameter/parameter
  22. /parameter/setpoint
  23. /position/damper position
  24. /position/misc
  25. /position/valve position
  26. /power/electric
  27. /power/thermal
  28. /pressure/gaseous/absolute
  29. /pressure/gaseous/differential
  30. /pressure/liquid/absolute
  31. /pressure/liquid/differential
  32. /relative humidity /rotational speed
  33. /temperature/difference
  34. /temperature/gaseous/exhaust
  35. /temperature/gaseous/extract
  36. /temperature/gaseous/indoor
  37. /temperature/gaseous/misc
  38. /temperature/gaseous/outdoor
  39. /temperature/gaseous/recirculation
  40. /temperature/gaseous/supply
  41. /temperature/liquid/cold/input flow
  42. /temperature/liquid/cold/return flow
  43. /temperature/liquid/cold/storage tank
  44. /temperature/liquid/hot/input flow
  45. /temperature/liquid/hot/return flow
  46. /temperature/liquid/hot/storage tank
  47. /temperature/liquid/warm/input flow
  48. /temperature/liquid/warm/return flow
  49. /temperature/liquid/warm/storage tank
  50. /volume flow/gaseous
  51. /volume flow/liquid
  52. /wind speed
L5_unit:
  1. /electric/Ampere
  2. /electric/Ohm
  3. /electric/Volt
  4. /energy/Joule
  5. /energy/KiloBTU
  6. /energy/KiloWattHours
  7. /energy/TonHours
  8. /energy/WattHours
  9. /frequency/Hertz
  10. /frequency/rpm
  11. /light/Candela
  12. /light/Lumen
  13. /light/Lux
  14. /power/KiloBTUsPerHour
  15. /power/Kilowatt
  16. /power/TonsRefrigeration
  17. /power/Watt
  18. /pressure/Pascal
  19. /pressure/bar
  20. /scalar/degrees
  21. /scalar/generic
  22. /scalar/percent
  23. /scalar/ppm
  24. /scalar/radiant
  25. /speed/kmPerHour
  26. /speed/meterPerSecond
  27. /temperature/Celsius
  28. /temperature/Fahrenheit
  29. /temperature/Kelvin
  30. /time/hours
  31. /time/minutes
  32. /time/seconds
  33. /volume flow/cubicMetersPerHour
  34. /volume flow/gallonsPerMinute
  35. /volume flow/litersPerMinute
  36. /volume flow/litersPerSecond

Bei jedem Durchlauf des Klassifizierers wird ein Tag f√ľr den Datenpunkt erstellt. Dieser enth√§lt die folgenden informationen:

KI-generierte Metadaten-Tags

{
  "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 f√ľr 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 k√∂nnen Daten aus Microsoft Exchange in die Cloud-Plattform aedifion.io integriert werden. Dies umfasst derzeit nur den Buchungsstatus von R√§umen, die als Ressource in Microsoft Exchange verf√ľgbar sind. Der Buchungsstatus wird f√ľr die Vergangenheit und Zukunft als boolesche Zeitreihe auf der Cloud-Plattform aedifion.io zur Verf√ľgung gestellt.

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

Wetterdaten

Die Cloud-Plattform aedifion.io nutzt die Datendienste der Dark Sky Company, LLC zur Wetterdatenintegration. Daher sind auf der Cloud-Plattform aedifion.io sowohl aktuelle als auch vorhergesagte Wetterdaten f√ľr Ihren Standort, bestimmt durch die eingegebenen Koordinaten, verf√ľgbar.

Mehr erfahren? Erkunden Sie die Wetterdaten-Spezifikationen.


Letztes Update: 2022-01-17
Zur√ľck zum Seitenanfang