Machbarkeitsanalyse für eine KI zur Vorhersage von Fehlern bzw. Grenzwertverletzungen basierend auf Spannungs-Zeitreihendaten
Ziel der Machbarkeitsanalyse ist es zu untersuchen ob / wie gut eine KI lernen kann, wann Fehler bzw. Grenzwertverletzungen auftreten. Bei guten Ergebnissen sollen die identifizierten KI-Ansätze weiterentwickelt und Teil eines Warnsystems zur Vorhersage von Fehlern werden. Die dafür verwendeten Input-Daten für die KI sind die Spannungsdaten aus den Smartmetern. Für das Training stehen von Netz NÖ-Expert*innen gelabelte Daten zur Verfügung. Diese bestehen aus ungefähr 2000 Zeitreihen mit Fehlern bzw. Grenzwertverletzungen und mindestens ebenso viele Zeitreihen ohne Fehlern. Diese Daten bilden die Grundlage für die geplanten Supervised-Learning-Ansätze. Der Entwicklungsprozess folgt dem CRISP-DM (Cross-Industry Standard Process for Data Mining).
Das Ergebnis der Machbarkeitsanalyse umfasst:
- Ausarbeitung der Machine-Learning-Problemdefinition
- Beschreibung der Datengrundlage und der erarbeiteten Datenaufbereitungsschritte
- Beschreibung der evaluierten Modellansätze (Proof-of-Concept Machine¬Learning-Code) und Evaluierungsergebnisse
- Empfehlungen für die Weiterentwicklung