Informationsextraktion aus Gebäudeenergiesystemen

Stinner, Florian; Müller, Dirk; Plönnigs, Jörn

doi:10.18154/RWTH-2026-06950

Informationsextraktion aus Gebäudeenergiesystemen = Information extraction from building energy systems

Stinner, Florian^RWTH*

2025 & 2026

Verantwortlichkeitsangabevorgelegt von Florian Stinner

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Müller, Dirk (Thesis advisor)^RWTH* ; Plönnigs, Jörn (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2025-12-12

Online
DOI: 10.18154/RWTH-2026-06950
URL: https://publications.rwth-aachen.de/record/1039087/files/1039087.pdf

Einrichtungen

Projekte

BMWE 03SBE0006A - Verbundvorhaben: SolaresBauen: OOM4ABDO - Objektorientiertes Monitoring als Grundlage für einen effizienteren Betrieb sowie kostengünstige Bestandsoptimierung durch Anwendung von Machine Learning-Techniken; Teilvorhaben: Big Data Analyse (03SBE0006A) (03SBE0006A)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Nichtwohngebäude sind ein großer Emittent von CO2-Emissionen. Die Verbesserung der energetische Nutzung erfolgt im Allgemeinen durch eine personalintensive Analyse des Betriebes, wobei moderne Regelungs- und Fehleranalysemethoden helfen können. Für diese Methoden existiert in Automationssystemen in der Regel kein direkt maschinell auswertbares passendes und erforderliches Metadatenmodell. Die Metadaten von Datenströmen sind jedoch in je Betreiber individuellen Anlagenkennzeichnungsschlüsseln codiert, weshalb die automatische Übersetzung nur umständlich möglich ist. Ergänzend zu den Zeichenketten der Schlüssel und zusätzlichen Beschreibungen liefern Zeitreihen wertvolle Informationen. Bei der Übersetzung der Metadaten können Algorithmen auf Basis von künstlicher Intelligenz helfen. In dieser Dissertation wird anhand eines Informationsextraktionsprozesses gezeigt, wie aus Rohdaten (Zeichenketten und Zeitreihen) Informationen über die Metadaten extrahiert werden können. Ziel des Prozesses ist es, acht verschiedene Anwendungen in Energiesystemen mit den erforderlichen Metadaten zu unterstützen. Zuerst werden die Metadaten aus den Rohdaten extrahiert und darauf folgend für die jeweiligen Anwendungen geclustert, um z.B. die Daten von einem Raum zusammenzufassen. Es werden verschiedene Qualitätskriterien der Informationen ausgewertet, die auch eine Bewertung der anwendungsrelevanten Metadaten umfasst. Die Metadatenextraktion erzielte anwendungsbezogen eine Informationsqualität (F1 Wert) von bis zu 100% und skalierbar einsetzbar von bis zu 94%. Das auf der Metadatenextraktion folgende Clustern von Datenströmen zu Anwendungen konnte bis zu 100% Genauigkeit erreichen, so dass teilweise die erforderlichen Datenströme für Anwendungen wie Raumautomationen vollständig zugeordnet werden konnten. Wenn die Metadatenextraktion und das Clustern als gesamter Informationsextraktionsprozess betrachtet werden, so erreichte jede Anwendung mit mindestens einem Verfahren eine Gesamtbewertung zwischen 88% und 98% richtig zugeordneten Metadaten. Die Analyse ergab, dass die Komplexität, wie die Anzahl der Eingangsdaten und der jedem Datenstrom zugeordneten Metadaten, nur in einem geringen Maße die Ergebnisse der Algorithmen beeinflusst. Insgesamt konnte somit ein Informationsextraktionsprozess zur Unterstützung von Energieeinsparanwendungen etabliert werden. Der Großteil der algorithmischen Ergebnisse benötigt so wenig zusätzliche Eingabewerte von Nutzern, so dass diese in reale Prozessen in Energiesystemen integriert werden könnten, jedoch können diese zusätzlichen Eingabewerte durch die Kombination von Informationen weiter gesenkt werden. Diese Arbeit liefert einen Einblick, worauf in zukünftiger Entwicklung bei Algorithmen und Integration dieser in Unternehmensabläufe geachtet werden kann.

Non-residential buildings are a major source of CO2 emissions. Improvements in energy use are generally achieved through labor-intensive analysis of operations, with modern control and fault analysis methods providing support. Automation systems generally do not have a directly machine-readable metadata model that is suitable and necessary for these methods. However, the metadata of data streams is encoded in individual plant identification keys for each operator, which makes automatic translation difficult. In addition to the character strings of the keys and additional descriptions, time series provide valuable information. Artificial intelligence-based algorithms can help with the translation of metadata. This dissertation uses an information extraction process to show how information about metadata can be extracted from raw data (character strings and time series). The aim of the process is to support eight different applications in energy systems with the necessary metadata. First, the metadata is extracted from the raw data and then clustered for the respective applications, e.g., to aggregate the data from a room. Various information quality criteria are evaluated, which also includes an assessment of the application-relevant metadata. Metadata extraction achieved an application-specific information quality (F1 value) of up to 100% and was scalable for use up to 94%. The clustering of data streams for applications following metadata extraction achieved up to 100% accuracy, meaning that in some cases the data streams required for applications such as room automation could be completely assigned. When metadata extraction and clustering are considered as an overall information extraction process, each application achieved an overall rating of between 88% and 98% correctly assigned metadata using at least one method. The analysis showed that complexity, such as the number of input data and the metadata assigned to each data stream, only had a minor influence on the results of the algorithms. Overall, an information extraction process was established to support energy-saving applications. The majority of the algorithmic results require so few additional input values from users that they could be integrated into real processes in energy systems. However, these additional input values can be further reduced by combining information. This work provides insight into what can be considered in future development of algorithms and their integration into business processes.

OpenAccess:
PDF
(additional files)