Raphael Heinrich — VP Commercial Management IoT ProductsEinleitung
Die steigenden Energiekosten und die strengen ESG-Berichterstattungsrichtlinien fordern die Unternehmen auf, Maßnahmen zu ergreifen, die ihnen helfen, ihren Energieverbrauch zu verwalten und zu senken. Die IoT-Technologie bietet eine vielversprechende Lösung, indem sie einen nachhaltigeren Ansatz für das Energiemanagement ermöglicht. Einem Bericht von [Transforma Insights] (https://transformainsights.com/blog/sustainability) zufolge kann das Internet der Dinge (IoT) einen erheblichen Einfluss auf die Nachhaltigkeit haben, indem es den Energie-, Kraftstoff- und Wasserverbrauch in verschiedenen Sektoren senkt, u. a. in den Bereichen Wohnen, Verkehr, Gebäude und Landwirtschaft. Ein wichtiger erster Schritt zur Erreichung dieses Ziels besteht darin, den Energieverbrauch durch die Digitalisierung von Energiezählern transparent zu machen.
Schritt 1: Machen Sie Ihre Energiezähler intelligent
Bestehende und neue Zähler mit AWS verbinden
Eine effektive Möglichkeit, Ihre Energiezähler zu digitalisieren, ist der Einsatz von Geräten wie Modbus Cloud Connect von grandcentrix, einem AWS-zertifizierten Gerät, das vollständig mit AWS IoT Core kompatibel ist. Mit diesem Gerät können Maschinen, Sensoren und Zähler über eine Modbus-Schnittstelle fernüberwacht werden, wobei Narrowband-IoT und LTE-M für die Datenübertragung in die Cloud genutzt werden, unabhängig von der lokalen IT-Infrastruktur. Das Modbus Cloud Connect-Paket enthält alle notwendigen Komponenten, von der Hardware bis zum Cloud-Adapter, und ermöglicht eine Plug’n’Work-Lösung, die die globale IoT-Konnektivität von Vodafone für eine effiziente, zuverlässige und sichere Datenübertragung nutzt. Mehr über die Integration können Sie hier lesen.
IoT-Geräte und AWS IoT Core Integration
Once connected, IoT devices can communicate with the AWS IoT Core directly thanks to the underlying MQTT broker. Optionally, the data can be filtered by an IoT Rule so that only so that only relevant messages are processed in the later steps. In our case, we are using an IoT Rule to exclude heartbeat events of devices as we are only interested in telemetry data, i.e. power consumption. For analytics use cases added at a later step of the pipeline, we want to persist the data in an AWS S3 buckets. This is done via the AWS Kinesis Firehose service, which collects events over a 15 minute window before writing them as JSON lines format to S3 (raw_data bucket).
Schritt 2: Daten auf AWS verarbeiten
Einmal verbunden, können IoT-Geräte dank des zugrunde liegenden MQTT-Brokers direkt mit dem AWS IoT Core kommunizieren. Optional können die Daten durch eine IoT-Regel gefiltert werden, so dass nur relevante Nachrichten in den späteren Schritten verarbeitet werden. In unserem Fall verwenden wir eine IoT-Regel, um Heartbeat-Ereignisse von Geräten auszuschließen, da wir nur an Telemetriedaten, d. h. am Stromverbrauch, interessiert sind. Für analytische Anwendungsfälle, die in einem späteren Schritt der Pipeline hinzugefügt werden, möchten wir die Daten in einem AWS S3-Bucket aufbewahren. Dies geschieht über den AWS Kinesis Firehose Service, der Ereignisse über ein 15-Minuten-Fenster sammelt, bevor er sie als JSON-Zeilenformat in S3 (raw_data Bucket) schreibt.
Schritt 3: Visualisierung von Energiedaten auf AWS QuickSight
Amazon Quicksight, ein cloud-nativer, serverloser Business Intelligence (BI)-Service, bietet eine breite Palette an visuellen Darstellungen und grundlegenden Prognosefunktionen. Bevor wir jedoch die Daten aus der Silver Table importieren können, müssen wir sie in eine AWS Glue Table konvertieren. Danach können wir Amazon Athena verwenden, um die Daten direkt von S3 mit SQL abzufragen. QuickSight ermöglicht die Erstellung von Warnmeldungen bei Schwellenwertüberschreitungen und die gemeinsame Nutzung von Dashboards mit dem Analyseteam. Aufgrund der geringen Datenmenge in diesem Projekt (weniger als ein Datensatz pro Sekunde) ist es eine kostengünstige Lösung für diesen Anwendungsfall. Außerdem ermöglicht die einfache Integration von QuickSight in Glue-Tabellen eine größere Flexibilität bei der Datenvisualisierung, was es zu einem wertvollen Werkzeug für das Energiemanagement macht.
Schritt 4: Erstellung einer Energieverbrauchsprognose mithilfe von Machine Learning
Eine zusätzliche Schicht dieser Pipeline könnte fortgeschrittene Analysen wie grundlegende Prognosen oder die Erkennung von Anomalien umfassen, die als geplante Aufgaben täglich ausgeführt werden. Für einfachere Anwendungsfälle könnte man auch AWS Lambda-Funktionen für die Verarbeitung verwenden, während für ML- und KI-Aufgaben Dienste wie AWS SageMaker eine bessere Wahl wären. Durch den Vergleich von prognostiziertem und tatsächlichem Verbrauch können wertvolle Erkenntnisse gewonnen werden, die zu einer nachhaltigeren Nutzung begrenzter Ressourcen führen können.
Wenn Sie mehr über diese Ansätze erfahren möchten, können Sie uns auf der Hannover Messe (22. - 26. Apr. 2024) auf dem AWS-Stand (Halle 15, Stand D76) in der Sustainability Area besuchen. Wir werden die beschriebene Technologie im Live-Einsatz demonstrieren und es wird auch einen Vortrag im AWS Konferenzbereich zusammen mit unserem Kunden Eastron geben.
Fazit
Zusammenfassend lässt sich sagen, dass Unternehmen einen wichtigen Schritt in Richtung Nachhaltigkeit und Kostensenkung machen können, indem sie ihren Energieverbrauch transparent machen und die leistungsstarke Cloud-Infrastruktur von AWS nutzen. Unabhängig davon, ob Sie Ihre eigene Lösung entwickeln oder sich für unsere vorgefertigte Option entscheiden, bietet die Integration von IoT-Technologie und AWS-Services einen vielversprechenden Weg zur Erreichung Ihrer Energiemanagementziele.
Dr. Timon Schmelzer: Während seiner Promotion im Bereich der experimentellen Teilchenphysik sammelte Dr. Timon Schmelzer bereits viel Erfahrung in der Verarbeitung großer Datenmengen und der Anwendung von Techniken des maschinellen Lernens. Nun, rund fünf Jahre später, arbeitet er als Senior Data Scientist bei grandcentrix mit verschiedenen mittelständischen Unternehmen zusammen, immer mit dem primären Ziel, die Wertschöpfung aus Daten voranzutreiben.
Raphael Heinrich: Mit über 10 Jahren Erfahrung in der IoT-Branche ist Raphael Heinrich derzeit verantwortlich für Sales Engineering, Commercial Support, Sales Enablement und Marketing innerhalb des IoT-Produktportfolios von grandcentrix. Er verfügt über ein breites Erfahrungsspektrum, da er seit 14 Jahren in verschiedenen Rollen im Bereich der Digitalisierung tätig ist, davon 10 Jahre in Führungspositionen. Er sieht sich selbst als Brückenbauer zwischen Technologie und Wirtschaft, der es versteht, diese Welten für eine echte Transformation zu verschmelzen.
Marcel Bruns: Nach seinem Abschluss als Master of Mathematics stieg Marcel Bruns bei Vodafone Deutschland als Trainee im Bereich Data Science ein. Auf seiner Reise durch das Traineeship durchlief Marcel verschiedene Teams mit Datenhintergrund und erwarb dabei Kenntnisse in Data Science, Data Engineering, Machine Learning und Cloud Computing. Er nutzte die Chance, für eine 4-monatige Station bei grandcentrix als Tochterunternehmen von Vodafone Deutschland einzusteigen.