Docker Container zur Flexibilisierung der Zeitreihenanalyse in der GebÀudeautomation

Art der Arbeit: Bachelorarbeit / Projekt

Fachlicher Hintergrund:

GebĂ€udeautomationssysteme werden unter anderem zur Steigerung des Komforts, zum Sparen von Energie, Wasser, FernwĂ€rme und anderen Versorgungsleistungen und zur Erhöhung der Ausfallsicherheit eingesetzt.

Dabei fallen in verschiedenen Prozessen umfangreiche Messwerte an. Diese sind fĂŒr eine spĂ€tere Auswertung von großer Wichtigkeit. Genutzt werden die Daten beispielsweise fĂŒr die Abrechnung, fĂŒr das Vorausplanen (Lernen) und fĂŒr weitere komplexe Auswertungen im Rahmen von Data-Mining-Prozessen.

Es existieren eine Reihe spezialisierter Datenbank-Systeme fĂŒr die Speicherung und Auswertung von Zeitreihen. Viele davon sind Open Source, andere kommerziell.

FĂŒr die Auswertung gibt es eine Reihe von wissenschaftlichen Methoden, wie z.B. Zeitreihen- und Trendanalyse, Extrapolation, Machine Learning usw.

Aufgabenbeschreibung:

Im Rahmen der Arbeit soll eine sehr flexible Möglichkeit zur Auswertung der aufgezeichneten Messwerte geschaffen werden. Dazu sollen zunĂ€chst verschiedene Time-Series-DB-Systeme (TSDB) untersucht werden. Diese mĂŒssen eine Reihe konkreter Aufgaben möglichst einfach erfĂŒllen können.

Betrachtet werden sollen vor mindestens die folgenden Systeme: Graphite, InfluxDB, OpenTSDB, KairosDB, Prometheus und Atlas.

Zu den mittels der Datenbank zu lösenden Aufgaben gehören Anfragen, die eine Aggregation der Werte ermöglichen, Anfragen zum Erkennen und zur Auswertung von Trends, Anfragen zur grafischen Darstellung und Anfragen zur Erkennung von Anomalien. Dazu werden die genannten Verfahren "Zeitreihen- und Trendanalyse", "Extrapolation", "Machine Learning", "Clustering" und "Outlier Detection" eingesetzt.

Geeignete TSDB-Systeme und Auswertemodule sollen als Docker-Container "verpackt" und leicht installierbar gemacht werden. Zum Testen soll beispielsweise Grafana zur grafischen Darstellung verwendet werden.

Mögliche Arbeitsschritte:

  • Einarbeitung in GrundsĂ€tze GebĂ€udeautomatisierung
  • Einarbeitung in die geforderten Anfragen und deren Hintergrund (auf Grund der begrenzten Zeit vermutlich eine Teilmenge aus Zeitreihenanalyse, Trendanalyse, Machine Learning, Clustering, Outlier Detection)
  • Aufstellen von Kriterien fĂŒr die Auswahl geeigneter TSDB
  • Konzept fĂŒr die Modularisierung des Gesamtsystems
  • Einarbeitung Virtualisierung und Docker
  • Recherche
  • Installation, Tests und Vorbereitung Deployment

Die genaue Festlegung des Themas erfolgt in Abstimmung mit den Betreuern unter BerĂŒcksichtigung eventuell schon an andere Studenten vergebener Themengebiete. Eine gemeinsame Bearbeitung verschiedener Teilthemen durch mehrere Studenten ist unter UmstĂ€nden möglich. 

Literatur und Ressourcen:

  • Aschendorf, Bernd. "Funktionen der GebĂ€udeautomation." Energiemanagement durch GebĂ€udeautomation. Springer Fachmedien Wiesbaden, 2014. 25-39.
  • Merz, Hermann, Thomas Hansemann, and Christof HĂŒbner. "GebĂ€udeautomation." MĂŒnchen: Carl-Hanser-Verlag (2010).
  • Ted Dunning, Ellen Friedman. "Time Series Databases - New Ways to Store and Access Data." O'Reilly Media (2014).
  • Montgomery, Douglas C., Cheryl L. Jennings, and Murat Kulahci. Introduction to time series analysis and forecasting. John Wiley & Sons, 2015.

Betreuer: Dr. Thomas Mundt (thm@informatik.uni-rostock.de)

Voraussetzungen: Erste Linux-Erfahrungen wĂ€ren von Vorteil.