Refine
Year of publication
- 2019 (2)
Document Type
Is part of the Bibliography
- no (2)
Keywords
- SV7126 (1)
- SV7407 (1)
- artificial neural networks (1)
- deep learning (1)
- microgrids (1)
- nonlinear optimization (1)
- peak flattening (1)
Institute
Projekt DigiTextil: Unternehmensübergreifende Nutzung von Big Data entlang der textilen Prozesskette
(2019)
Die Erhebung, Nutzung und Auswertung von Daten entlang der textilen Wertschöpfungskette, insbesondere über Unternehmensgrenzen hinweg, sind bislang nur unzureichend umgesetzt. Dabei bieten sich für die KMU-dominierte deutsche Textilindustrie durch Fehler- und Stillstandsvermeidung neunstellige wirtschaftliche Potenziale.2 Trotz dieses großen Potenzials solcher Datenanalytik und Künstlicher Intelligenz (KI) zur Steigerung der Effektivität gibt es aufgrund der Angst vor Wissensverlust und vor gegenseitiger Schuldzuweisung bei Qualitätsmängeln noch keine übergreifende Cloud-Lösung. Als Antwort auf die Problematik wurde im Rahmen des Projekts folgender Ansatz entwickelt: Ein neutraler Anbieter bietet eine zentrale Cloud zur Datensammlung und -analyse unter modernen, vertraglich festgehaltenen Datenschutz- und Datensicherheitsaspekten. Das bietet die Möglichkeit zur Detektion von Anomalien und Modellierung von Fehlerkorrelationen über die gesamte Prozesskette. Außerdem wird durch einen rechtlichen Rahmenvertrag mit der dritten Partei die Gefahr des Diebstahls des geistigen Eigentums umgangen und der Effekt der gegenseitigen Schuldzuweisung vermieden, indem die Analyseergebnisse der Korrelation und Fehlersuche nur bei Zustimmung aller Parteien zur Verfügung gestellt werden. Solche unternehmensübergreifenden Analysen können für die Ableitung eines Lösungsmodells für die zukünftige Textilproduktion genutzt werden. Das Projekt 'DigiTextil‘' (Förderkennzeichen 19902 N/2) wird vom Bundesministerium für Wirtschaft und Energie (BMWi) im Rahmen der Richtlinie über die Förderung der Industriellen Gemeinschaftsforschung (IGF) gefördert.
It is crucial today that economies harness renewable energies and integrate them into the existing grid. Conventionally, energy has been generated based on forecasts of peak and low demands. Renewable energy can neither be produced on demand nor stored efficiently. Thus, the aim of this paper is to evaluate Deep Learning-based forecasts of energy consumption to align energy consumption with renewable energy production. Using a dataset from a use-case related to landfill leachate management, multiple prediction models were used to forecast energy demand.The results were validated based on the same dataset from the recycling industry. Shallow models showed the lowest Mean Absolute Percentage Error (MAPE), significantly outperforming a persistence baseline for both, long-term (30 days), mid-term (7 days) and short-term (1 day) forecasts. A potential decrease of up to 23% in peak energy demand was found that could lead to a reduction of 3,091 kg in CO2-emissions per year. Our approach requires low finanacial investments for energy-management hardware, making it suitable for usage in Small and Medium sized Enterprises (SMEs).