Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage

Die Erfindung betrifft ein Verfahren und ein Assistenzsystem zur Erkennung einer Störung in einer Anlage durch eine Detek- tion von Lastkurven mit anomalem Verlauf aus einer Vielzahl von Lastkurven, wobei eine Lastkurve den Verlauf einer Kenn- große über einen Wertebereich eines Parameters jeweils einer Komponente der Anlage darstellt.

Heutige Fertigungsanlagen weisen einen hohen Automatisierungsgrad auf, wobei zum Beispiel durch Feldgeräte Abläufe gesteuert und kontrolliert werden. Dazu werden Feldgeräte un ^¬ terschiedlichen Typs zur Steuerung verschiedener Aufgaben eingesetzt, wie beispielsweise zur Steuerung des Durchflusses eines Mediums durch Zuleitungen, zur Regelung der Temperatur oder auch des Druckes und vieles mehr. Dabei können Feldgerä- te gleichen Typs in unterschiedlichen Fertigungsschritten für unterschiedliche Aufgaben eingesetzt werden. Es werden aber auch beispielsweise Feldgeräte unterschiedlichen Typs, wie beispielsweise ein Temperatursensor oder ein Durchflussmes ^¬ ser, in einem Fertigungsschritt eingesetzt. Diese Feldgeräte umfassen üblicherweise Mikroprozessoren und sind an ein Kommunikationsnetz der Fertigungsanlage angeschlossen. Häufig zeichnen solche Feldgeräte Lastkurven auf, die jeweils den Verlauf der gesteuerten Kenngröße über einen Wertebereich eines Parameters der jeweiligen Komponente, hier des Feldge- räts, darstellen. Dies kann beispielsweise die Temperatur oder der Druck gemessen über die Zeit sein. Es kann aber auch die vorliegende Temperatur eines Mediums über einen Druckverlauf aufgezeichnet werden. Solche Lastkurven können im Gerät beispielsweise in regelmäßigen Abständen an ein Überwachungs- System über das Kommunikationsnetz der Anlage übertragen werden . Treten Unregelmäßigkeiten im Ablauf der Fertigungsanlage ohne konkreten Hinweis auf die Störungsstelle auf, so können die ermittelten Lastkurven evtl. einen Hinweis auf die Störungs ^¬ stelle oder auch Einzelheiten zur Störung selbst geben. Da eine Automatisierungsanlage typischerweise viele Komponenten, aufweist, ist es nahezu unmöglich, aus dieser großen Anzahl von gelieferten Lastkurven, diejenigen herauszufinden, die defekt oder gestört sind. Als Anlagen werden ebenfalls Stromverteilungs- oder auch Was ^¬ serverteilungsanlagen bzw. -netze bezeichnet. Auch dort werden beispielsweise eine Durchflussmenge pro Zeit an Wasser bzw. der übertragene elektrische Strom pro Zeit in Fernlei ^¬ tungen, in Ortverteilungszuleitungen oder die entnommene elektrische Leistung pro Zeit in Verbraucheranschlussleitungen als Lastkurven über die Zeit aufgenommen. In solchen Anlagen kommt es beispielsweise durch defekte Wasser- oder Stromleitungen, durch unerlaubte Entnahme oder insbesondere in Stromverteilungsnetzen durch fehlerhafte angeschlossene Komponenten bzw. Geräte zu einer ungewollten Entnahme bzw. Störung. Auch hier sind Lastkurven, d.h. die entnommene

Stromleistung bzw. Wassermenge über die Zeit detektierbar . In intelligenten Stromverteilungsnetzen wird heute bereits der Stromverbrauch von Kunden in relativ kurzen Zeitabständen aufgenommen und, üblicherweise über eine Anzahl von Nutzern aggregiert, an Leitstellen übermittelt. Wiederkehrende Unre ^¬ gelmäßigkeiten sollten frühzeitig erkannt, die Ursachen der Unregelmäßigkeiten analysiert und erkannte Störungen behoben bzw. Missbrauch abgestellt werden.

Auch hier ist eine Verwendung von bereits verfügbaren Lastkurven zur Analyse der Störung und Überprüfung der Anlage sehr problematisch, da häufig eine große Anzahl von Komponenten und somit Lastkurven zur Analyse bzw. Lokalisierung zur der Störung untersucht werden müssen. Dabei weist nicht jeder unerwartete und somit anomale Verlauf einer Lastkurve auf ei ^¬ nen Defekt oder eine Störung hin. Der anomale Verlauf kann auch durch die Verwendung der Komponente, deren Lastkurve be- trachtet wird, in einem unterschiedlichen Fertigungsschritt oder, bei Stromlastkurven von Endverbrauchern durch eine unterschiedliche Art des Endverbrauchers, beispielsweise einem Bäcker- gegenüber einem Schreinerbetrieb oder einem Privat- haushält, begründet sein.

Eine Untersuchung von beispielsweise temporalen Daten, also Lastkurven die den zeitlichen Verlauf einer Kenngröße angeben, auf anomalen Verlauf beschränkt sich derzeit meist auf die Betrachtung von einzelnen Zeitreihen, ohne diese im Zusammenhang mit anderen, ähnlichen Zeitreihen zu sehen. Eine typische Herangehensweise ist, anhand von Vergangenheitswer ^¬ ten einer Zeitreihe zu erwartende Werte zu berechnen und mit Ist-Werten zu vergleichen. Ist die Abweichung zu groß, so un- terstellt man zunächst, dass es sich bei den Werten um einen Ausreißer, auch Outlier genannt, handelt. Bei zu vielen Außenreißern in kurzer Zeit kann auf eine Anomalie, d.h. einen anomalen Verlauf der Lastkurve geschlossen werden. Dabei wird die Anomalie einzeln per Lastkurve berechnet und nicht im Kontext zu anderen bzw. ähnlichen Kurven gesehen.

Es ist somit die Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Vorrichtung zu schaffen, um Störungen einer Anlage aus einer Vielzahl von Lastkurven einer Anlage zu er- mittein und darüber die Art der Störung oder eine Lokalisierung der Störung und eine Überprüfung der Anlage zu ermöglichen .

Das erfindungsgemäße Verfahren zur Erkennung einer Störung in einer Anlage nutzt eine Detektion von Lastkurven mit anomalem Verlauf aus einer Vielzahl von Lastkurven, wobei eine Lastkurve den Verlauf einer Kenngröße über einen Parameterbereich jeweils einer Komponente der Anlage darstellt. Das Verfahren umfasst als ersten Verfahrensschritt ein Einlesen einer Viel- zahl von Lastkurven durch eine Datenschnittstelle. Darauf folgen die Verfahrensschritte des Bereitstellens einer Anzahl von Gruppen für Lastkurven mit ähnlichem Verlauf, ein Zuordnen jeder der eingelesenen Lastkurven zu einer Gruppe von Lastkurven und ein Ermitteln von anomalen Lastkurven innerhalb jeder einzelnen Gruppe von Lastkurven. Im anschließenden Verfahrensschritt werden die ermittelten anomalen Lastkurven und/oder Information zu den ermittelten anomalen Lastkurven an eine Ausgabeeinheit zur weiteren Analyse der Störung und/oder zur Überprüfung der Komponente der Anlage ausgegeben .

Dieses Verfahren hat den Vorteil, dass nicht jede Lastkurve mit der Gesamtheit der weiteren vorhandenen Lastkurven verglichen wird, sondern über eine vorherige Einteilung oder auch Gruppierung von Lastkurven in Gruppen von untereinander ähnlichen Lastkurven eine Vorsortierung erfolgt und lediglich innerhalb dieser Gruppe Lastkurven mit anomalem Verlauf in Bezug auf die Lastkurven dieser Gruppen ermittelt werden. Somit können auch kleinere Abweichungen festgestellt werden, die lediglich in Bezug auf die bereits als ähnlich identifi ^¬ zierten Lastkurven einer Gruppe erkannt werden.

In einer vorteilhaften Ausführungsform wird aus einer vorbestimmten Anzahl von Standardprofilen jeweils eine Gruppe für jedes einzelne Standardprofil bereitgestellt.

Dies hat den Vorteil, dass Vorwissen über die Struktur der Anlage in Form von unterschiedlichen Standardlastprofilen für die verschiedenen Komponenten der Anlage zur Ermittlung der Gruppen verwendet werden kann. Dabei können die Standardlast ^¬ profile als Referenzkurven dienen und ermöglichen somit eine Bildung von gewünschten Gruppen.

In einer Weiterbildung des vorgenannten Ausführungsbeispiels wird für jede der eingelesenen Lastkurven ein erster Ähnlichkeitswert zu jedem Standardlastprofil berechnet und die ein ^¬ gelesene Lastkurve derjenigen Gruppe zugeordnet, zu der der größte erste Ähnlichkeitswert ermittelt wurde. Dies hat den Vorteil, dass jede Lastkurve nur einer einzigen Gruppe zugeordnet wird und Mehrfachzuordnungen verhindert werden .

In einer alternativen Ausführungsform des erfindungsgemäßen Verfahrens wird eine Anzahl von Gruppen automatisiert mit Hilfe eines insbesondere nicht-überwachten Clustering- Algorithmus für Lastkurven mit ähnlichem Verlauf ermittelt.

Diese hat den Vorteil, dass eine Gruppierung auch dann dur geführt werden kann, wenn keine Information zur Strukturie rung der Komponenten der Anlage vorliegt.

In einer vorteilhaften Ausführungsform der vorliegenden Erfindung wird ein zweiter Ähnlichkeitswert für jede Lastkurve einer Gruppe gegenüber einem Mittelwert aller restlichen Lastkurven einer Gruppe berechnet und diejenigen Lastkurven als anomale Lastkurven erkannt, deren zweiter Ähnlichkeits ^¬ wert einen vorbestimmten Wert unterschreiten.

Somit kann in einem zweiten Schritt aus jeder Gruppe von bereits ähnlichen Lastkurven noch einmal eine Ähnlichkeitsüberprüfung durchgeführt werden. Somit werden insbesondere die Kurven, die von dem Verlauf der Lastkurven in der Gruppe abweichen, als anomal und zwar gegenüber dieser Gruppe von Lastkurven identifiziert. Somit kann eine Differenzierung insbesondere gegenüber der Gruppe ermittelt und auch geringe ^¬ re Anomalien erkannt werden.

In einer vorteilhaften Variante wird jeweils ein Distanzmaß, insbesondere ein Pearson-Korrelationskoeffizient , zur Berech ^¬ nung des ersten und des zweiten Ähnlichkeitswertes verwendet.

Durch die Verwendung eines Distanzmaßes kann die Art der Ähn ^¬ lichkeit, die gesucht wird, ausgewählt werden. Bei einem Pearson-Korrelationskoeffizienten als Distanzmaß wird insbesondere der Verlauf der Kurve über den Parameterbereich bewertet, nicht aber wie nahe beieinander die betrachtete Kurve einer Referenzkurve liegt. Durch die Wahl des Distanzmaßes kann somit Einfluss auf die Art der gewünschten Ähnlichkeit genommen werden. Für den ersten Ähnlichkeitswert und den zweiten Ähnlichkeitswert kann das gleiche Distanzmaß oder auch unterschiedliche Distanzmaße gewählt werden.

In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens wird für die Ermittlung anomaler Lastkurven ein Analysebereich gewählt, der ein Teilbereich des gesamten Pa- rameterbereichs der Lastkurven ist und auf den die Ermittlung anomaler Lastkurven eingeschränkt wird. Es wird desweiteren eine Breite eines Analysefensters und eine Schrittweite auf ^¬ einanderfolgender Analysefenster gewählt und der gesamte Analysebereich wird durch mit der ausgewählten Schrittweite auf- einanderfolgenden Analysefenstern überdeckt und für jedes

Analysefenster wird jeweils ein Ähnlichkeitswert berechnet.

Durch die Auswahl des Analysebereichs, der Breite eines Ana ^¬ lysefensters und die Schrittweite aufeinanderfolgender Analy- sefenster kann die Anomalie-Detektion auf vorgegebene Bereiche eingeschränkt werden, in denen beispielsweise der Ver ^¬ dacht einer Störung bereits besteht. Es kann auch die Granu- larität der Anomalie-Detektion je nach Bedarf eingestellt werden .

In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens wird als Information zu jeder der ermittelten anomalen Lastkurven innerhalb einer Gruppe jeweils

- ein Varianz-Wert der zweiten Ähnlichkeitswerte ermittelt über den Analysebereich pro Lastkurve und/oder

- eine Rangstelle der anomalen Lastkurve aus einem Vergleich der Varianz-Werte der ermittelten anomalen Lastkurven ermittelt, und/oder

- einen Minimalwert der zweiten Ähnlichkeitswerte im Analyse- bereich pro Lastkurve ermittelt, und/oder

- einen maximalen Differenzwert von zwei zweiten Ähnlichkeitswerten pro Lastkurve ermittelt, sowie die zweiten

Ähnlichkeitswerte und/oder eine Varianzentwicklung über den Wertebereich des betrachteten Parameters der zweiten Ähnlichkeitswerte einer oder mehrerer anomalen Lastkurven über den Analysebereich an die Ausgabeeinheit ausgegeben.

Dies hat den Vorteil, dass die Art der Anomalie anhand der ausgegebenen Informationen weiter analysiert werden kann. Die genannten Ausgabewerte stellen signifikante Größen für die Anomalie der detektierten anomalen Lastkurven dar.

In einer vorteilhaften Ausführungsform werden auch nach einem Ermitteln von anomalen Lastkurven weitere zusätzliche Lastkurven eingelesen und die Verfahrensschritte des Zuordnens, des Ermitteins und der Ausgabe basierend auf der Gesamtheit von Lastkurven umfassend die Vielzahl von Lastkurven und die weiteren Lastkurven durchgeführt.

Somit können auch Lastkurven, die bei der ursprünglichen Ano- malie-Detektion nicht berücksichtigt wurden, im Nachhinein in die Gruppen von Lastkurven eingeordnet und deren Anomalie be ^¬ züglich der Gesamtheit der Lastkurven in der Gruppe ermittelt werden .

In einer vorteilhaften Variante geben die Lastkurven einen zeitlichen Verlauf eines Stromverbrauchs oder eines Wasser ^¬ verbrauchs in einer Strom- oder Wasserverteilungsanlage oder in einer Industrieanlage an.

Das erfindungsgemäße Assistenzsystem zur Erkennung einer Störung in einer Anlage durch eine Detektion von Lastkurven mit anomalem Verlauf aus einer Vielzahl von Lastkurven, wobei eine Lastkurve einen Verlauf einer Kenngröße über einen Para ^¬ meterbereich jeweils einer Komponente der Anlage darstellt, umfasst eine Datenschnittstelle, eine Gruppierungseinheit, eine Anomalie-Erkennungseinheit und eine Ein- und Ausgabeein ^¬ heit. Die Datenschnittstelle ist dabei derart ausgebildet, eine Vielzahl von Lastkurven von Komponenten der Anlage ein- zulesen. Die Gruppierungseinheit weist einen ersten Prozessor auf, der derart ausgebildet ist, mehr als eine Gruppe mit je- weils einer Gruppe für Lastkurven mit ähnlichem Verlauf bereitzustellen und jede der eingelesenen Lastkurven einer Gruppe zuzuordnen. Die Anomalie-Erkennungseinheit weist einen zweiten Prozessor auf, der derart ausgebildet ist, innerhalb jeder einzelnen Gruppe anomale Lastkurven zu ermitteln. Die Ein- und Ausgabeeinheit ist derart ausgebildet, Parameter zur Bereitstellung der verschiedenen Gruppen von Lastkurven und/oder Parameter zur Ermittlung anomaler Lastkurven zu empfangen und an die Gruppierungseinheit und/oder an die Anoma- lie-Erkennungseinheit weiterzuleiten und die als anomal er ^¬ kannten Lastkurven und Information zu den ermittelten anomalen Lastkurven zur weiteren Analyse und/oder Behebung der Störung auszugeben. Das erfindungsgemäße Analysesystem hat den Vorteil, dass be ^¬ liebige eingelesene Lastkurven, die jeweils den Verlauf einer Kenngröße gegenüber einem Parameterbereich darstellen, zu ka- tegorisieren und eine detaillierte Anomalie-Detektion basierend auf den Lastkurven in jeweils einer Gruppe durchzuführen und diese zur weiteren Auswertung oder zur Behebung der Störung beispielsweise an die Anlage auszugeben. Ein solches As ^¬ sistenzsystem erlaubt eine direkte Rückkopplung an die Anlage und somit Mittel zur schnellen Analyse und Behebung von Stö ^¬ rungen .

In einer vorteilhaften Ausführungsform des Assistenzsystems ist die Ein- und Ausgabeeinheit derart ausgebildet, eine Ein ^¬ gabe

- eines ausgewählten Analysebereich, der einen Teilbereich des gesamten Parameterbereichs der Lastkurven ist und auf den die Ermittlung anomaler Lastkurven eingeschränkt wird,

- eine Breite eines Analysefensters und/oder

- eine ausgewählte Schrittweite aufeinanderfolgender Analyse ^¬ fenster durchzuführen. Die Ein- und Ausgabeeinheit ist des Weiteren derart ausgebildet, die Ausgabe zu ermöglichen für

- einen Varianz-Wert der zweiten Ähnlichkeitswerte, der über den Analysebereich pro Lastkurve ermittelt wird, - eine Rangstelle der anomalen Lastkurven, die aus einem Vergleich der Varianz-Werte der ermittelten anomalen Lastkurven ermittelt wird und/oder

- einen Minimalwert der zweiten Ähnlichkeitswerte (Wi (t) ) , der im Analysebereich pro Lastkurve ermittelt wird, und/oder

- einen Wert der maximalen Differenz von zwei zweiten

Ähnlichkeitswerten pro Lastkurve, sowie die zweiten Ähnlichkeitswerte und/oder eine Varianzentwicklung der zweiten

Ähnlichkeitswerte einer oder mehrerer Lastkurven über den Analysebereich.

Das Assistenzsystem kann somit Eingaben beispielsweise von Bedienpersonal oder auch einem weiteren Überwachungssystem einlesen und somit die Anomalie-Detektion mit geänderten Pa- rametern durchführen. Somit kann beispielsweise der Parame ^¬ terbereich der Lastkurve auf besonders auffällige Parameter ^¬ bereiche beschränkt und/oder dort mit geringerer Schrittweite und somit feingranular durchgeführt werden. Des Weiteren werden aussagekräftige Werte zur Anomalie einer anomalen Last- kurve angezeigt und können zur weiteren Analyse oder auch zu einer Änderung der Analysebereiche bzw. Fenstergröße verwen ^¬ det werden.

In einer vorteilhaften Ausführungsform umfasst die Gruppie- rungseinheit des Assistenzsystems erste Mikroprozessoren, die derart ausgebildet sind, jeweils eine Gruppe jedem einzelnen Standardlastprofil aus einer vorbestimmten Anzahl von Stand ^¬ ardlastprofilen zuzuordnen oder eine Anzahl von Gruppen von Lastkurven automatisiert mit Hilfe eines beispielsweise nicht-überwachten Clustering-Algorithmus für Lastkurven mit ähnlichem Verlauf zu ermitteln.

In einem weiteren Ausführungsbeispiel des Assistenzsystems umfasst die Anomalie-Erkennungseinheit zweite Mikroprozesso- ren, die derart ausgebildet sind, einen zweiten Ähnlichkeits ^¬ wert für jede Lastkurve einer Gruppe gegenüber einem Mittel ^¬ wert aller Lastkurven in einer Gruppe zu berechnen und diejenigen Lastkurven als anomale Lastkurven zu erkennen, deren zweiter Ähnlichkeitswert einen vorbestimmten Wert unterschreitet .

Des Weiteren wird ein Computerprogrammprodukt mit Programmbe ^¬ fehlen zur Durchführung des vorgenannten Verfahrens beansprucht .

Des Weiteren wird ein Datenträger, der das Computerprogrammprodukt speichert, beansprucht.

Ausführungsbeispiele des erfindungsgemäßen Verfahrens sowie des erfindungsgemäßen Assistenzsystems sind in den Zeichnungen beispielhaft dargestellt und werden anhand der nachfol ^¬ genden Beschreibung näher erläutert. Es zeigen:

Figur 1 ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens als Ablaufdiagramm;

Figur 2 ein Ausführungsbeispiel eines erfindungsgemäßen As ^¬ sistenzsystems in schematischer Darstellung; und

Figur 3 eine beispielhafte Ausgabedarstellung einer erfindungsgemäßen Ein- und Ausgabeeinheit des Assistenzsystems ebenfalls in schematischer Darstellung.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.

In einer Anlage, wie beispielsweise einer Industrieanlagen oder einer Fertigungsanlage oder aber auch Elektrizitäts ^¬ oder Wasserverteilungsnetzen, werden beispielsweise durch Feldgeräte oder auch Verbrauchsmesser Lastkurven über einen Parameterwert, wie beispielsweise die Zeit oder den Druck, aufgenommen. Um Störungen oder einen unerlaubten Eingriff in eine Anlage oder eine unerlaubte Entnahme von Elektrizität oder Wasser in einem Verteilungsnetz zu erkennen, können diese Lastkurven von einem Assistenzsystem auf Anomalien bei den Lastkurven untersucht werden und somit diejenigen Komponen- ten, die die Lastkurven erzeugt haben, ermittelt werden. Die Komponenten können daraufhin verändert bzw. ein Missbrauch behoben werden. In Figur 1 sind die verschiedenen Verfahrensschritte zur Erkennung einer Störung in einer Anlage durch eine Detektion von Lastkurven mit anomalem Verlauf schematisch dargestellt. Im Ausgangszustand 10 liegen eine Vielzahl von Lastkurven vor, wobei jede Lastkurve von einer bestimmten Komponente der Anlage generiert wurde. Die Lastkurven können beispielsweise in einem Überwachungszentrum der Anlage bereits vorliegen oder diese Lastkurven werden bei Bedarf von den Komponenten abgerufen. Im Verfahrensschritt 11 wird nun diese Vielzahl von Lastkurven beispielsweise über eine Datenschnittstelle in ein Assistenzsystem eingelesen.

Im Verfahrensschritt 12 werden die Lastkurven nun gruppiert. Dazu werden mehr als eine Gruppe bereitgestellt, die jeweils Lastkurven mit ähnlichem Verlauf aufnehmen soll. Liegt Vor- wissen über die Anlage bzw. die Komponenten der Anlage und somit auch über die von ihnen gelieferten Lastkurven vor, so können z.B. typische Standardlastprofile definiert werden. Pro Standardlastprofil kann nun eine Gruppe gebildet werden. Die gegebenen Standardlastprofile dienen dabei als Referenz- kurven. Die Anzahl der ermittelten Gruppen entspricht dann der Anzahl der Standardlastprofile oder aber es können auch mehrere Standardlastprofile zu einer Gruppe zugeordnet wer ^¬ den. Nach der Ermittlung der Gruppen wird im Verfahrensschritt 13 jede der eingelesenen Lastkurven einer der ermit- telten Gruppe zugeordnet, indem für jede der eingelesenen

Lastkurven ein erster Ähnlichkeitswert zu jedem Standardlast ^¬ profil berechnet wird, und die eingelesene Lastkurve derjeni ^¬ gen Gruppe zugeordnet wird, für die der größte erste Ähnlich ^¬ keitswert ermittelt wurde.

Häufig sind keine Rahmenbedingungen oder genauere Kenntnisse der Anlage bzw. der Einsatzbereiche der einzelnen Komponenten in den Anlagen bekannt oder es sollen keine grundlegenden An- nahmen oder Kontextdaten in die Anomalie-Erkennung einbezogen werden. In diesem Fall werden mit Hilfe eines Clustering- Algorithmus automatisiert Gruppen für Lastkurven mit ähnli ^¬ chem Verlauf ermittelt. Unter einem Clustering-Algorithmus versteht man ein Verfahren zur Entdeckung von Ähnlichkeitsstrukturen in großen Datenbeständen. Die gefundenen Gruppen von ähnlichen Objekten, hier Lastkurven, werden als Cluster, die Gruppenzuordnung häufig auch als Clustering bezeichnet. Es existieren verschiedene Clustering-Algorithmen, die sich vor allem in ihrem Ähnlichkeits- und Gruppenbegriff sowie ihrem algorithmischen Vorgehen und der Toleranz gegenüber Störungen in den Daten unterscheiden.

Die Wahl des Clustering-Algorithmus und dessen Parametrisie- rung haben großen Einfluss darauf, was bei der Berechnung als ähnlich erachtet wird. Beispielsweise kann ein ungewichtetes Paargruppenverfahren mit arithmetischem Mittel, auch

Unweighted Pair-Group Method with Arithmetic Mean Algorithmus UPGMA genannt, verwendet werden. Bei einem unüberwachten Algorithmus wird kein voraus bekanntes Ziel bzw. Gruppe vorge ^¬ geben. Es wird versucht in den Eingabedaten, hier den Lastkurven, Muster zu erkennen, die sich von einem strukturlosen Rauschen unterscheiden, für Dem Clustering-Algorithmus wird als Eingabeparameter ein erster Ähnlichkeitswert vorgegeben, der eine Vorschrift zur Berechnung der Ähnlichkeit von Kurvenverläufen vorgibt. Ein solcher Ähnlichkeitswert wird häu ^¬ fig auch Distanzmaß genannt. Für eine Gruppierung von bei ^¬ spielsweise Stromlastkurven wird bevorzugt ein Pearson- Korrelationskoeffizient als Distanzmaß verwendet, welcher die Ähnlichkeit von Kurvenverläufen berechnet. Andere Distanzma ^¬ ße, wie beispielsweise ein sogenanntes Cosine-Distanzmaß wür ^¬ de zu einer Gruppierung von Kurven führen, welche nahe beieinander liegen, aber durchaus unterschiedliche Tendenzen, d.h. Kurvenverläufe, aufweisen können. Der Vorteil dieses Cluster- basierten Ansatzes besteht in der völligen Unabhängigkeit von den Rohdaten. Dieser Ansatz kommt insbesondere in unbekannten Domänen zum Einsatz, über die keine weiteren Informationen vorliegen, welche zu einer Gruppierung führen könnte. Im Verfahrensschritt 14 wird nun ein zweiter Ähnlichkeitswert für jede Lastkurve einer Gruppe gegenüber einem Mittelwert aller restlichen Lastkurven einer Gruppe berechnet und dieje- nigen Lastkurven als anomale Lastkurven erkannt, deren zweite Ähnlichkeitswerte einen vorbestimmten Wert unterschreiten. Ähnlichkeitswerte, beispielsweise bei der Verwendung des vor ^¬ genannten Pearson-Korrelationskoeffizienten, liegen im Wertebereich zwischen -1 für sehr unähnliche Kurven bis maximal +1 für sehr ähnliche Kurvenverläufe. Werden andere Distanzmaße bzw. Ähnlichkeitswerte verwendet, können andere Wertbereiche für die zweiten Ähnlichkeitswerte auftreten. Ein Schwellwert für die Unähnlichkeit muss dann entsprechend dem Wertebereich der verwendeten Ähnlichkeitswerte angepasst werden. Zur Be- rechnung des ersten und des zweiten Ähnlichkeitswertes wird jeweils ein Distanzmaß, beispielsweise der bereits genannte Pearson-Korrelationskoeffizient, verwendet. Es können für den ersten und den zweiten Ähnlichkeitswert jedoch auch unterschiedliche Distanzmaße verwendet werden.

Häufig ist nicht der Verlauf der Kenngröße über den gesamten Parameterbereich, sondern lediglich in einem Teilbereich von Interesse. Dazu kann ein Analysebereich AB, siehe Fig.3, in dem die Lastkurve auf Anomalien untersucht wird, beispiels- weise durch Angabe einer feste Ober- bzw. Untergrenze des Pa ^¬ rameterbereiches festgelegt werden. Dadurch wird zusätzlich eine Verkürzung der Analysedauer bzw. geringere Anforderungen an die Prozessorkapazität eines entsprechenden Assistenzsys ^¬ tems erreicht. Damit ist es möglich, Lastkurven zu identifi- zieren, welche nur über einen bestimmten Parameterbereich

Anomalien aufweisen. Somit kann beispielsweise ein zeitliches Muster einer missbräuchlichen Entnahme von Strom aus einer Stromverteilungsanlage identifiziert und somit weitere Rück ^¬ schlüsse auf die Quelle der Störung ermittelt werden.

Da ein einziger zweiter Ähnlichkeitswert pro Lastkurve nicht ausreicht, um eine Anomalie, die beispielsweise nur temporär auftritt, sicher zu erkennen, erfolgt die Berechnung der Ähn- lichkeit jeweils innerhalb eines Analysefensters AF, das eine vorher ausgewählte Breite des Parameterbereiches aufweist. Die Berechnung des zweiten Ähnlichkeitswertes W(ti) wird nun innerhalb eines Analysefensters berechnet. Danach wird das Analysefenster AF jeweils um eine ebenfalls vorher auswählba ^¬ re Schrittweite weitergerückt und wiederum ein zweiter

Ähnlichkeitswert W(ti) berechnet. Entsprechend wird das Ana ^¬ lysefenster über den gesamten Analysebereich bewegt und pro Analysefenster AF ein zweiter Ähnlichkeitswert W(ti+1) be- rechnet.

Je schmäler die Breite des Analysefensters AF gewählt wird, desto genauer wird die Lastkurve über den Parameterbereich gescannt und jeweils ein zweiter Ähnlichkeitswert W(ti) be- rechnet. Somit ergibt sich für jede Lastkurve eine sich über den Analysebereich AB erstreckende Folge von zweiten Ähnlichkeitswerten W(ti), die nun eine Aussage über die Ähnlichkeit der betrachteten Lastkurve gegenüber einem Mittelwert der restlichen Lastkurven jeweils in dem zugrundeliegenden Analy- sefenster AF ist. Bei einem breit gewählten Analysefenster AF kann insbesondere eine langfristige Anomalie gut detektiert werden. Entsprechend sollte die Breite des Analysefensters AF schmäler gewählt werden, wenn kurzfristige Anomalien hier zu erwarten sind.

Die Schrittweite SW aufeinanderfolgender Analysefenster AF gibt an, wie feingranular der Ähnlichkeits-Algorithmus, für die Berechnung der zweiten Ähnlichkeitswerte W(ti) verwendet werden kann, über den Analysebereich AB berechnet wird. Eine kleine Schrittweite führt dazu, dass das gewählte Analyse ^¬ fenster AF in kleinen Schritten über den gesamten Wertebereich des Parameters wandert und somit eine hohe Anzahl von zweiten Analysewerten, die in Schrittweite SW aufeinanderfol ^¬ gen, ermittelt werden, berechnet werden. Dies ergibt eine ho- he „Auflösung" der Ähnlichkeit in Bezug auf den abgescannten Analysebereich AB. Die gleiche Granularität gilt dementspre ^¬ chend auch für eine Varianzentwicklung V(tj), die aus den zweiten Ähnlichkeitswerten W(ti) über den Analysebereich AB berechnet wird. Es ist aber auch möglich die Fensterbreite und Schrittweite für die Berechnung der Varianzentwicklung unterschiedlich von der Breite des Analysefensters AF und Schrittweite SW für die zweite Ähnlichkeitsberechnung zu wäh- len .

Neben einer Darstellung der anomalen Lastkurve selbst kann eine Ausgabe von zusätzlicher Information zu jeder der ermittelten anomalen Lastkurven innerhalb einer Gruppe in Form von Indikatoren ermittelt werden. Ein solcher Indikator für eine Anomalie ist ein Varianz-Wert Vw der zweiten Ähnlichkeitswerte W(ti), der über den gesamten Analysebereich AB aggregiert für jede als anomal identifizierte Lastkurve berechnet wird. Dieser Varianz-Wert Vw gibt insbesondere ein Maß für stark schwankende Veränderungen der zweiten Ähnlichkeitswerte W(ti) an. Ein hoher Varianz-Wert Vw ist somit ein Maß für Kurven mit stark unterschiedlichem Verlauf.

Vorzugsweise wird auch eine Rangstelle R der betrachteten anomalen Lastkurve angegeben, die aus einem Vergleich der Varianz-Werte Vw der ermittelten anomalen Lastkurven ermittelt wird. Diese Rangstelle R gibt einen Anhaltswert für das Ano ^¬ malie-Potential der betrachteten Lastkurve an. Die Rangstelle R ist dabei lediglich ein einziger Wert, der die gesamte als anomal ermittelte Lastkurve kennzeichnet.

Als weiterer Indikator wird das Minimum M der zweiten

Ähnlichkeitswerte W(ti) im Analysebereich AB der Lastkurve ermittelt und als ein Zahlenwert ausgegeben. Dies ist ein In- dikator für die Lastkurven mit den größten auftretenden Distanzen vom Gruppenmittel.

Als weiterer Indikator wird ein Wert für eine maximale Diffe ^¬ renz D von zwei zweiten Ähnlichkeitswerten für jede ermittel- te anomale Lastkurve berechnet. Die maximale Differenz D von zwei zweiten Ähnlichkeitswerten liefert insbesondere einen Hinweis auf die Lastkurven, welche stark von "sehr ähnlich" zu "sehr unähnlich" verlaufen. Diese Indikatoren liefern In- formation insbesondere zur Art der ermittelten Anomalie der Lastkurve .

Im Verfahrensschritt 15 ist die Gruppierung und Anomalie- Erkennung abgeschlossen. Anhand der ausgegebenen anomalen Lastkurven, der zweiten Ahnlichkeitswerte W(ti), deren Va ^¬ rianzentwicklung und der Indikatoren kann eine weitere Analyse in Bezug auf Störungen vorgenommen werden. Es können aber auch die Eingangsparameter Analysebereich AB, Breite des Ana- lysefensters AF sowie Schrittweite SW verändert werden und der Verfahrensschritt der Ermittlung 14 von anomalen Lastkurven alleine durchgeführt werden oder in Kombination mit den Verfahrensschritten des Bereitstellens 12 von Gruppen und Gruppierens 13 durchgeführt werden.

Figur 2 zeigt nun ein Ausführungsbeispiel eines erfindungsge ^¬ mäßen Assistenzsystems 100. Das Assistenzsystem 100 umfasst eine Datenschnittstelle 101, die mit einer Gruppierungsein ^¬ heit 102 verbunden ist. Die Gruppierungseinheit 102 ist wie ^¬ derum mit einer Anomalie-Erkennungseinheit 103 verbunden. Die Gruppierungseinheit 102 sowie die Anomalie-Erkennungseinheit 103 umfassen erste bzw. zweite Prozessoren, die derart ausge- bildet sind, die oben genannten Verfahrensschritte auszufüh ^¬ ren. Die Anomalie-Erkennungseinheit 103 wiederum ist mit der Ein- und Ausgabeeinheit 104 verbunden, die wiederum eine Verbindung 106 zur Anlage 105 aufweist. Über die Datenschnitt ^¬ stelle 101 werden die einzelnen Lastkurven, die von Komponen- ten der Anlage 105 ermittelt und an die Datenschnittstelle übertragen werden, eingelesen. Die eingelesenen Lastkurven werden nun optional in einem Datenspeicher, der hier nicht dargestellt ist, abgespeichert. Die Gruppierungseinheit 102 weist einen ersten Prozessor auf, der derart ausgebildet ist, mehr als eine Gruppe mit jeweils einer Gruppe für Lastkurven mit ähnlichem Verlauf bereitzu- stellen, und jede der eingelesenen Lastkurven einer Gruppe zuzuordnen .

Die Anomalie-Erkennungseinheit 103 weist einen oder mehrere zweite Prozessoren auf, die derart ausgebildet sind, inner ^¬ halb jeder einzelnen Gruppe anomale Lastkurven zu ermitteln. Dabei können beispielsweise lediglich die Lastkurven der betrachteten Gruppe in die Anomalie-Erkennungseinheit 103 über ^¬ tragen werden, um die benötigte Kapazität von Arbeitsspeicher der Anomalie-Erkennungseinheit 103 zu begrenzen.

Die Ein- und Ausgabeeinheit 104 umfasst beispielsweise einen Monitor, einen berührungssensitiven Bildschirm sowie eine Tastatur oder eine Maus, um die als anomal identifizierten Lastkurven sowie zweite Ähnlichkeitswerte und sonstige

Ähnlichkeitsindikatoren, wie in einer Ausgabedarstellung 110 in Figur 2 dargestellt, anzuzeigen und Eingaben bezüglich der Auswahl des Analysebereichs, des Analysefensters und der Schrittweite einzugeben.

Da jede Lastkurve eindeutig einer Komponente zugeordnet ist, kann über eine als anomal identifizierte Lastkurve eine Kom ^¬ ponente der Anlage 105 als Störungsquelle identifiziert wer ^¬ den. Die Komponente kann nachfolgend durch das Überwachungs- System der Anlage 105 weiter überprüft werden. Werden beispielsweise deutlich höhere Stromentnahmewerte bei einer Kom ^¬ ponente der Anlage festgestellt, so kann die Komponente bei ^¬ spielsweise abgeschalten werden oder auch durch Wartungspersonal überprüft werden.

Die Ein- und Ausgabeeinheit 104 kann aber auch Parameter zur Ermittlung einer anomalen Lastkurve an die Gruppierungseinheit und/oder an die Anomalie-Erkennungseinheit weiterleiten. Neben den bereits genannten Eingabeparametern kann beispiels- weise das zu verwendende Distanzmaß für die Anomalie- Erkennung und/oder die Gruppierung ausgewählt werden. Insbesondere können die Parameter zur Anomalie-Detektion durch Auswertepersonal geändert und eine erneute Anomalie-Erkennung durchgeführt werden.

Figur 3 zeigt diese Ausgabedarstellung 110 in vergrößerter Form. Im Bereich 111 werden die gewählten Einstellungen für Analysebereich AB, Analysefenster AF und Schrittweite SW sowie sonstige allgemeine Information beispielsweise zu der ausgewählten Gruppe von Lastkurven angezeigt. Im Bereich 112 werden die zusätzlichen Kenngrößen, d.h. die Rangstelle R, der Varianz-Wert Vw, das Minimum M des zweiten Ähnlichkeits ^¬ wertes W(ti) sowie der Wert für die maximale Differenz D von zwei zweiten Ähnlichkeitswerten W(ti) jeder Lastkurve angezeigt. Im Bereich 113 ist eine Darstellung der eingelesenen Lastkurven über den gesamten Wertebereich des betrachteten Parameters, hier beispielsweise über der Zeit t, eingetragen. Im Bereich 114 werden die zweiten Ähnlichkeitswerte W(ti), die durch das ausgewählte Distanzmaß ermittelt wurden, über dem ausgewählten Analysebereich AB dargestellt. Im Bereich 115 ist nun die Varianzentwicklung V(tj) der im Bereich 114 dargestellten zweiten Ähnlichkeitswerte W(ti) über den Analy ^¬ sebereich AB dargestellt. Eine farbliche Hervorhebung von Veränderungen ermöglicht es, sehr schnell einen Überblick über sehr viele Lastkurven zu erlangen. Hierbei sind beispielsweise alle untersuchten Lastkurven bzw. deren zweite Ähnlichkeitswerte W(ti) und Varianzentwicklung eingetragen. Es können aber auch lediglich die als anomal de- tektierten Lastkurven bzw. ihre zweiten Ähnlichkeitswerte W(ti) hier angezeigt werden. Auch kann eine anomale Lastkurve durch Auswahl eines der Indikatoren gewählt werden und nur noch die Angaben für diese Lastkurve angezeigt werden. Diese Darstellung ermöglicht es, die Ähnlichkeit der einzelnen Lastkurven direkt abzulesen. Hier kann man auch Lastkurven gut erkennen, welche beständig hohe oder niedrige zweite Ähnlichkeitswerte aufweisen. Sämtliche Darstellungsbereiche 111, 112, 113, 114, 115 sind dabei vorzugsweise miteinander verknüpft. Dadurch wird die Selektion in einem Bereich auf alle anderen Darstellungsbereiche entsprechend übertragen Das beschriebene Verfahren sowie das beschriebene Assistenz ^¬ system können zur Erkennung von Störungen von unterschiedlichen Anlagen, wie beispielsweise Automatisierungsanlagen, In- dustrieanlagen, Energie- oder Wasserverteilungssystemen angewandt werden. Durch den zweistufigen Analyseansatz, der zuerst eine Gruppierung der Lastkurven in Gruppen ähnlicher Lastkurven und in einem zweiten Schritt eine Untersuchung der Ähnlichkeit der Lastkurven innerhalb einer Gruppe untersucht, kann sich das Verhalten einzelner Lastkurven je nach Zuordnung zu einer Gruppe durchaus ändern. Sie wird aber nur als Anomalie erkannt, falls die Gruppe sich nicht gleichzeitig in dieselbe Richtung verändert. Des Weiteren kann durch das Verfahren die Betrachtung von unterschiedlichen Anomalie- Zeitrahmen durchgeführt werden. Man kann beispielsweise ge ^¬ zielt nach kurzen, beispielsweise Stunden, mittel-, bei ^¬ spielsweise Tage, und langfristigen, beispielsweise Wochen oder Monate, Anomalien suchen.

Alle beschriebenen und/oder gezeichneten Merkmale können im Rahmen der Erfindung vorteilhaft miteinander kombiniert werden. Die Erfindung ist nicht auf die beschriebenen Ausführungsbeispiele beschränkt.