Offenes Datenset für frühzeitige Fehlererkennung in Fernwärme-Umspannwerken

Die frühzeitige Erkennung von Störungen in Fernwärme-Umspannwerken ist entscheidend, um Rücklauftemperaturen zu senken und die Effizienz zu steigern. Ein Mangel an öffentlich zugänglichen, beschrifteten Datensätzen hat die Fortschritte in diesem Bereich bislang gehemmt. Nun stellt ein neues Open‑Source‑Framework die Lösung bereit: Es kombiniert einen validierten Service‑Report‑Datensatz, ein Bewertungssystem, das Accuracy, Reliability und Earliness berücksichtigt, sowie Basis‑Ergebnisse, die mit dem Python‑Tool EnergyFaultDetector umgesetzt wurden.

Der Datensatz umfasst Zeitreihen von 93 Umspannwerken zweier Hersteller. Er ist mit einer Liste von Störungen, Wartungsmaßnahmen, normalen Ereignissen und detaillierten Fehlermetadaten versehen. Die Bewertung erfolgt über drei Kennzahlen: Accuracy für die Erkennung normaler Betriebszustände, ein Ereignis‑F‑Score zur zuverlässigen Fehlersuche mit wenigen Fehlalarmen und Earliness, um frühzeitig zu warnen.

Das Framework unterstützt zudem die Ursachenanalyse über ARCANA und demonstriert drei Anwendungsfälle, die Betreibern helfen, Anomalien zu interpretieren und die zugrunde liegenden Fehler zu identifizieren. Die Modelle erzielen eine Normal‑Verhaltens‑Accuracy von 0,98 und einen Ereignis‑F‑Score (β = 0,5) von 0,83. Sie erkennen 60 % der Fehler im Datensatz bereits vor dem Kundenbericht, mit einer durchschnittlichen Vorlaufzeit von 3,9 Tagen.

Durch die Kombination aus offenem Datensatz, klaren Metriken, Open‑Source‑Code und Basis‑Ergebnissen schafft das Projekt einen reproduzierbaren, fehlerzentrierten Benchmark. Er ermöglicht Betreibern und Forschern, frühzeitige Fehlererkennung konsistent zu vergleichen und weiterzuentwickeln, und trägt damit maßgeblich zur Optimierung der Fernwärmeversorgung bei.