Energieeffizienzmaßnahmen stehen oft auf dem Prüfstand. Doch wie lässt sich belegen, dass eine Optimierung wirklich wirkt? Eine statistische Methode liefert belastbare Antworten. Bei der multivariaten Regressionsanalyse wird modelliert, ob beziehungsweise wie verschiedene Variablen miteinander zusammenhängen. Im Energiemanagement können mithilfe dieser Analyse die tatsächlichen Energieeinsparungen von Effizienzmaßnahmen wirkungsvoll nachgewiesen werden. Das macht sie besonders hilfreich für die Zertifizierung des Energiemanagements nach ISO 50001.
Aufbau und Inhalt der Regressionsanalyse
Bei der multivariaten Regressionsanalyse wird ein theoretisches Modell erstellt, das an die Realität angelehnt ist und verschiedene Einflussfaktoren berücksichtigt (multivariat = mehrere Variablen betreffend). Bei der einfachen Regressionsanalyse wird dagegen nur ein Faktor berücksichtigt. Die Grundlage für die Analyse bildet eine große Datenmenge. Anhand dieser lernt das Modell, Muster zu erkennen, und kann dadurch Entscheidungen oder Vorhersagen treffen (Maschinelles Lernen).
Im Energiemanagement kann der Energieverbrauch einer Bezugsgröße (zum Beispiel eines Unternehmens, eines Standorts oder einer Maschine) abhängig von seinen vielen verschiedenen Einflussfaktoren modelliert werden. So wird deutlich, welche Auswirkungen die Veränderung von Faktoren auf den Verbrauch hat. Ersichtlich werden diese Auswirkungen, indem der tatsächliche mit dem errechneten Verbrauch im Zeitverlauf verglichen wird. Für Abweichungen gibt es einen zulässigen Toleranzbereich, weshalb das Modell der Realität in der Regel sehr nahekommt.
3 Schritte für den Nachweis einer Einsparung
1. Berechnung des Regressionsmodells
Zunächst muss ein statistisch signifikantes Modell mit historischen Verbrauchsdaten berechnet werden. Dabei müssen alle relevanten historischen Einflussfaktoren berücksichtigt werden. Dazu zählen beispielsweise Wetterdaten (Temperatur, Sonneneinstrahlung, Luftfeuchtigkeit und so weiter), Produktionsmengen, Betriebsstunden oder Arbeitszeiten/Schichten.
Durch die Daten aus der Vergangenheit lernt das Modell, wie die Einflussfaktoren den Verbrauch beeinflussen. Daher ist es wichtig, genügend Daten einzubeziehen, um eine belastbare Referenz bilden zu können. Generell gilt: Es sollten Daten von mindestens 12, besser aber 24 Monaten berücksichtigt werden. Je nach konkreter Anwendung kann der optimale Zeitraum jedoch auch länger oder kürzer sein.
2. Prüfung (Validierung) des Regressionsmodells
Um nachzuweisen, dass das Modell funktioniert, muss es geprüft (validiert) werden. Dies erfolgt mithilfe weiterer historischer Daten, die sich von den in Schritt 1 verwendeten unterscheiden. Das Modell wird also mit einem Teil der Daten erstellt und mit dem anderen Teil geprüft (Trainings- und Testdaten). Dadurch wird sichergestellt, dass das Modell nicht nur in der Theorie, sondern auch in der Praxis funktioniert.
Liegen die modellierten Daten in einem definierten Toleranzbereich, das heißt, weichen die errechneten Daten nicht zu stark von den tatsächlich gemessenen ab, kann das Modell verwendet werden. Welcher Toleranzbereich angemessen ist, hängt vom jeweiligen Anwendungsfall ab: Wie genau muss das Modell sein, damit es für den Zweck ausreicht? Für grobe Trendanalysen reichen oft +/- 10 Prozent. Geht es jedoch um Einsparnachweise, gerade für die Zertifizierung nach ISO 50001, sollte das Modell genauer sein (+/- 5 Prozent oder weniger).
3. Anwendung des Regressionsmodells
Mithilfe des Regressionsmodells kann nun ein künftiger (aber theoretischer) Verbrauch berechnet werden. Auf diese Weise lässt sich der Energieverbrauch ermitteln, der zu erwarten gewesen wäre, wenn keine Maßnahme oder Optimierung umgesetzt worden wäre. Dieser theoretische Verbrauch wird anschließend mit dem tatsächlichen, gemessenen Verbrauch verglichen. Liegt der gemessene Verbrauch unter dem des Regressionsmodells, dann wurde Energie eingespart. Die Energieeffizienz wurde also gesteigert.
Mit der richtigen Software lässt sich bei der Erstellung einer (multivariaten) Regressionsanalyse viel Aufwand sparen: Optendas Energiemanagement-Software Energy Monitor führt den Anwender durch die Regressionsanalyse und erledigt Schritte wie die Berechnung des Toleranzbereichs oder die grafische Aufbereitung der Daten völlig automatisiert. Das nimmt viel manuellen Aufwand ab, minimiert Rechenfehler und verbessert das Ergebnis. Außerdem sind alle benötigten Verbrauchsdaten und Einflussfaktoren bereits in der Software hinterlegt und müssen nicht zusätzlich aufbereitet werden.
Praxisbeispiel aus der Metallverarbeitung
Ein metallverarbeitendes Unternehmen möchte den Energieverbrauch einer seiner CNC-Maschinen senken, die aktuell zu den größten Energieverbrauchern des Betriebs zählen – selbstverständlich bei gleichbleibender Produktivität. Mithilfe der Regressionsanalyse können Effekte aufgrund bekannter Einflussfaktoren berücksichtigt werden. Beispiele hierfür sind der höhere Stromverbrauch der Maschine bei sehr hohen oder niedrigen Umgebungstemperaturen oder bei einem Material mit hohem Härtegrad.
Nach Absprache mit dem Maschinenhersteller hat sich das Unternehmen dazu entschieden, ab Juli einen neuen Schmierstoff für die Maschine einzusetzen. Im Gegensatz zum alten Schmierstoff weist dieser eine deutlich niedrigere Viskosität auf, wodurch sich ein Einsparpotenzial ergibt. Mithilfe der Regressionsanalyse wurde auf Basis historischer Daten ein statistisches Modell berechnet, welches die signifikanten Einflussfaktoren auf den Energieverbrauch berücksichtigt. Nach der Umsetzung der Maßnahme wird dieses Modell verwendet, um den theoretischen Energieverbrauch mit dem alten Schmierstoff zu berechnen (orangefarbene Linie) und ihn mit dem tatsächlich gemessenen Verbrauch mit dem neuen Schmierstoff (blaue Linie) zu vergleichen. Der Screenshot (in der Bildergalerie) aus dem Energy Monitor zeigt, dass das neue, dünnflüssigere Öl deutliche Energieeinsparungen bewirkt hat.
Multivariate Regressionsanalyse und ISO 50001
Um das Energiemanagement nach ISO 50001 zertifizieren zu lassen, muss ein Unternehmen nachweisen, dass es seine Energieeffizienz gesteigert hat. Aufgrund der Vielzahl von Einflussfaktoren auf den Energieverbrauch ist das nicht so einfach. Kommt es beispielsweise zu großen wetter- oder betriebsbedingten Änderungen im Verbrauch, erschwert das die Bewertung der umgesetzten Maßnahmen zur Steigerung der Energieeffizienz. Mithilfe der multivariaten Regressionsanalyse kann dann einfach nachgebildet werden, wie sich der Energieverbrauch bei gleichbleibenden Bedingungen entwickelt hätte. Dadurch wird deutlich, ob eine Maßnahme tatsächlich zu einer Einsparung geführt hat.
Energieeffizienz einfach dokumentiert
Die multivariate Regressionsanalyse ist sehr hilfreich, um die Energieeffizienz eines Unternehmens objektiv bewerten zu können. Die Erstellung solcher Modelle ist komplex. Energiemanagement-Software wie der Energy Monitor von Optenda führt Anwender durch den Prozess, berechnet Toleranzgrenzen automatisch und stellt Ergebnisse übersichtlich dar. Das erleichtert Dokumentation und Auditvorbereitung.
