Energie Monitoring –
Optimierung und
Vergrünung des
Energieverbrauchs

Erstellung eines Energie-Dashboards zur Kontrolle des Echtzeit Energieverbrauchs und -kosten in der Herstellung feinmechanischer Instrumente.

Ziele

• Integration externer Daten zur Überwachung der Echtzeit-Kostenentwicklung des Energielieferanten
• Erstellung eines Dashboards, Gegenüberstellung des Verbrauchs und Kosten drei verschiedener Energiequellen
• Darstellung des zu vergrünenden CO₂-Verbrauchs

Die CO₂-Emissionen steigen weltweit immer noch jedes Jahr. Gleichzeitig steigen auch die Energiepreise stetig an. Im Jahr 2023 sind wir für Industriestrompreise bereits bei 40,11Cent/kWh.

Um zum einen die besten Entscheidungen bezüglich des Einkaufs im Bereich Energie zu treffen und auf der anderen Seite die Folgen für die Umwelt möglichst neutral oder sogar positiv zu halten ist es essenziell Echtzeit Daten dieser Faktoren zu analysieren und darzustellen.

Die Herausforderung

Die Echtzeitdaten des Energielieferanten mithilfe eines API (Kommunikationsprotokoll zwischen zwei Systemen) mit den Daten des produzierenden Unternehmens verbinden und ein Dashboard zur Analyse und Darstellung der Daten zu erstellen.

Darstellung der entstehenden CO₂-Emissionen, um mithilfe von Ausschreibungen Vergrünungs-Strategien zu entwickeln und die Emissionen zu neutralisieren.

Das Vorgehen

Um die individuellen KPIs und Variablen eines Unternehmens sinnvoll darzustellen, werden zunächst aus Exceltabellen, ERP o.ä. Daten von unseren Data Scientists mithilfe eines ETL Prozesses konsolidiert, um sie in einem Data Warehouse zu speichern.

Bei diesem Projekt lag die besondere Herausforderung darin, die Daten des Energielieferanten automatisiert in ein passendes Datenformat zu verwandeln. Mithilfe einer API wurde hier eine Schnittstelle zum Lieferanten erstellt, durch das das Datenformat abgegriffen und umgewandelt wurde. Dieser Prozess wurde automatisiert, um in Echtzeit die aktuellen Daten fortlaufend umzuwandeln und in die Dashboards integrieren zu können.

Dann folgt die Datenverarbeitung:

• Es wird ein leeres Gerüst erstellt, um zukünftige Daten zu speichern
• Die API Daten werden beantragt und integriert
• Sind die Quellen verknüpft, werden die Daten zu einer tabellarischen Form konvertiert
• Die Tabellen werden kombiniert und zusammengefasst, um mit der Verarbeitung zu starten.

Daraus wird ein Datenmodell kreiert, aus dem die geforderten Informationen einfach abgelesen werden können.

So kommt es, dass zum Beispiel sofort erkannt werden kann, wann der beste Zeitpunkt ist, um Energie einzukaufen oder welche Art von Energie zurzeit die effizienteste ist oder wie viele CO₂-Emissionen entstanden sind, die wieder neutralisiert werden müssen.