Engineering mit künstlicher Intelligenz in OpenPi

Der Einsatz von künstlicher Intelligenz macht dann Sinn, wenn für ein Modell viele Parameter gebraucht werden, deren Zusammenhang aber mathematisch nicht exakt beschrieben werden kann. Der Klassiker in Kraftwerken sind Lastprognosen: Wie viel Strom wird in Abhängigkeit von Jahreszeit, produzierter Dampfmenge, Aussentemperatur, Wärmeabgabe an Externe etc. produziert? Um solche Zusammenhänge besser untersuchen zu können habe ich unsere Prozessdaten-Plattform OpenPi um ein Modul für neuronale Netze erweitert. Die Anwendung ist denkbar einfach und die erzielbaren Ergebnisse beeindruckend. Die ermittelte Stromproduktion berechnet mit zwei unterschiedlichen Modell-Einstellungen im Vergleich zur Messung sieht z.B. so aus:

Mit einer optimierten Datenauswahl für das Training und Anpassung von Lernrate, Anzahl der Trainings-Epochen, Neuronen in der verborgenen Schicht usw. lassen sich die Modelle für den jeweiligen Anwendungsfall verbessern, solange bis die gewünschte Qualität stimmt. Und das Beste: zum Schluss kann das trainierte Modell mit allen ermittelten Gewichten als Excel-Datei exportiert und für weitere Berechnungen verwendet werden!