Rückläufige Zählerstände¶
Beobachtung¶
- Einzelne Zählerstände sinken plötzlich – einmal über zwei aufeinanderfolgende Stunden
- 55 von 5000 Messungen, entspricht ~1%
Mögliche Ursachen¶
- Übertragungsfehler: die aktuellsten Zählerstände aus dem Cache werden zuerst gesendet
- die Messwerte kommen in falscher Reihenfolge an, aus [0, 1, 10, 11] wird [0, 10, 1, 11]
- doch in diesen Daten kündigt kein positiver Sprung den negativer Sprung an
- Importfehler: nachträglich eingefügte Werte überschreiben korrekte Messwerte
Konsequenz für Analyse¶
- Rückläufige Zählerstände sind physikalisch nicht plausibel
- Verfälschen abgeleitete Kenngrößen wie Produktionsleistung
→ Datenpunkte mit fallendem Zählerstand werden konsequent entfernt
Hypothese: Gleicher Kraftwerkstyp¶
Die Verteilungen der Stundenproduktionen zeigen starke Ähnlichkeit sowohl
- im Bereich der Grundlast bis 50 MWh als auch
- bei den 44 Spitzenwerten über 50MWh (ca. 1%).
Statistische Tests zeigen keine signifikanten Unterschiede zwischen den Kraftwerken.
Es ist plausibel, dass es sich bei den fünf Kraftwerken um denselben Kraftwerkstyp handelt.
Leistungsverlauf über den Tag hinweg¶
Konstante Basisproduktion
- Geringe, stabile Werte deuten auf gleichmäßige Grundlastversorgung hin.
Zwei Leistungsspitzen
- Höhere Messwerte treten bevorzugt morgens (7–9 Uhr) und abends (17–18 Uhr) auf.
- Das Muster passt zu typischen Nachfrage-Hochlasten.
→ Spricht eher für reale Verbrauchsspitzen als für Übertragungs- oder Importfehler
(aber nicht eindeutig).
Fazit¶
Muster:
- Basislast der Kraftwerke bei ca. 20 MW
- Wiederkehrende Spitzen zwischen 7–9 Uhr & 17–18 Uhr
- Keine eindeutige Abhängigkeit von Strompreis oder Außentemperatur erkennbar
möglicherweise bedingt durch Lastverträge oder Einsatz im Regelenergiemarkt
Potenzielle Probleme:
- Rücksprünge in Zählerständen bei ca. 1 % der Datenpunkte
Methodik¶
Tools:
- Python (pandas, scipy, matplotlib, seaborn)
- Jupyter Notebook zur reproduzierbaren Analyse
- API‑Zugriffe für Strompreis- und Wetterdaten
Methodik:
- Anomalieerkennung rückläufiger Zählerstände
- Histogramme für die Verteilung der Deltas
- Statistische Tests (ANOVA, Kruskal-Wallis)
- Zeitliche Profile (Stundenverlauf, Tagesverlauf)
Dashboard¶
Tools:
- BigQuery: Daten in der Cloud
- dbt: Pipelines für die Analyse
- Looker: Dashboard
Elemente:
- Control: Auswahl des Kraftwerks
- KPIs: Grundlast, Spitzenlast, Quote an Spitzenwerten und rückläufigen Zählerständen
Leistung über die Tage hinweg und über die Stunden des letzten Tages - Vorhersage: Durchschnittswert dieser Stunde des Tages (SARIMA erkennt keinen Trend)