Frühzeitige Fehlererkennung in Hausstationen: Erfahrungen aus dem Projekt PreDist

Der Vortrag "Frühzeitige Fehlererkennung in Hausstationen: Erfahrungen aus dem Projekt PreDist" stellt Ergebnisse aus dem Forschungsprojekt PreDist vor, das prädiktive Instandhaltung in Fernwärme-Hausstationen adressiert. Grundlage bildet der öffentlich verfügbare PreDist-Datensatz (Zenodo: 10.5281/zenodo.17522254). Auf dieser Basis wird der EnergyFaultDetector, ein open-source-basiertes Python-Framework, zur automatisierten Anomalieerkennung evaluiert. Der EnergyFaultDetector nutzt einen ARCANA-basierten Autoencoder und erzeugt interpretierbare, frühzeitige Alarme. In der Evaluation werden eine Genauigkeit von 98 % im Normalbetrieb, ein F₀.₅-Score von 0,83 (Precision 0,92; Recall 0,60) sowie eine durchschnittliche Früherkennung von etwa vier Tagen vor Kundenmeldung erreicht. Drei exemplarische Anwendungsfälle demonstrieren die Praxistauglichkeit der ARCANA-basierten Ursachenzuordnung. Das zugehörige Paper "„Enabling predictive maintenance in district heating substations: A labelled dataset and fault detection evaluation framework based on service data" (Energy, 2026, 141178) liefert die wissenschaftliche Grundlage und skizziert weitere Schritte, insbesondere die Integration physikalischer Modelle (Greybox-Ansätze), um die Erkennungsleistung weiter zu steigern und prädiktive Wartung in der Praxis zu etablieren.