Entwicklung und prototypische Umsetzung eines Softwaremoduls zur Identifizierung fehlerhafter Messwerte in Smart Metering Daten zu Strom- und Gasverbrauch

Trotz des steigenden Einsatzes von Smart Metering-Systemen im Sektor ‚Private Haushalte‘ wurde der Datenqualität bislang eine geringe Aufmerksamkeit zugemessen. Die Generierung fehlerhafter Messwerte lässt sich selbst unter Einsatz von modernster Technik nicht ausschließen, sodass eine frühzeitige und insbesondere automatisierte Erkennung solcher Fehler unerlässlich ist. Auf diese Weise können Hardware- oder Übertragungsfehler unmittelbar behoben werden. Diese Arbeit macht es sich zur Aufgabe, ein Softwaremodul zu entwickeln, das schnell und selbstständig fehlerhafte Messwerte, Ausreißer und Anomalien identifizieren kann und die betroffenen Zeitpunkte dauerhaft speichert. Unter Verwendung von Methoden aus dem Bereich des Data Mining wird eine nachvollziehbare Analyse von großen Datenmengen ermöglicht, die neben großer Zeitersparnis eine zeitgemäße Datenverarbeitung bietet. Dazu werden zunächst die auftretenden Fehler einer unter realen Bedingungen durchgeführten Smart Metering Studie untersucht und in fünf Kategorien eingeteilt. Darauf aufbauend werden Algorithmen vorgestellt, mit deren Hilfe neben Hardwarefehlern auch potenzielle Fehler identifiziert werden können. Es werden sowohl distanz- und dichtebasierte Unterscheidungskriterien als auch Klassifizierungsalgorithmen angewendet. Eine Zusammenführung und Spezialisierung der vorgestellten Methoden resultiert in der Entwicklung eines prototypischen Softwaremoduls, das technische Fehler und Ausreißer erkennt. Der Programmablauf gliedert sich in die drei Schritte Datenvorverarbeitung, Data Mining und Auswertung. Nachdem bei der Datenvorverarbeitung die fehlenden und inkorrekten Messwerte identifiziert wurden, erfolgt beim Data Mining die Erkennung von drei Ausreißer-Typen. Eine Datenreduktion ermöglicht zunächst die Einteilung der Einzelwerte in Gruppen, die durch ihren Verbrauch und ihre Uhrzeit charakterisiert werden. Die am wenigsten besetzten Gruppen beinhalten die punktuellen Ausreißer. Die Transformation der Ausgangsdaten in eine Zeitreihenmatrix ermöglicht anschließend die Identifizierung von Tagen mit ungewöhnlicher Lastkurve. Um die einzelnen Tage auf Ähnlichkeit zu überprüfen und die unterschiedlichsten Tage herauszufiltern, werden das dynamic time warping und der local outlier factor eingesetzt. Die Umsetzung des Algorithmus und des dazugehörigen GUI erfolgt mithilfe der Programmiersprache R und erlaubt einen Workflow mit einer geringen Anzahl an Input-Parametern und Zeitreihen-Plots zur Auswertung. Neben der Analyse von einzelnen Datensätzen lässt sich eine beliebige Anzahl von Datensätzen automatisiert analysieren und die Ergebnisse exportieren