Bevor wir mit dem Aufbau des Models beginnen, werfen wir einen Blick auf die Daten. Um nicht zu theoretisch zu werden, werden wir hier nur ein paar Beispiele Zeigen. Natürlich nimmt die Analyse der Daten mehr Zeit in Anspruch.

Beim Analysieren der Daten, lernt man diese auch gleich kennen. Man kann schnell Ausreißer identifizieren und eventuelle Probleme vorher schon erkennen.

Die hier gezeigten Diagramme wurden mit R erstellt. Natürlich können auch andere Tools (z. B. Excel) verwendet werden. Auch Python bietet hier viele Möglichkeiten.

Zuerst ist es sinnvoll, wenn man mit den Daten beginnt, die für alle Räume gleich sind z. B. Außentemperatur, Sonneneinstrahlung …

Am Einfachsten, beginnt man mit einem Histogram. Das ist eine Grafik, die eine Aussage darüber gibt, welcher Wert wie oft in den Daten vorkommt.

Daten, die für jeden Datensatz gültig sind

Hier sieht man die Verteilung der Außentemperatur. In den aufgezeichneten Daten kommen Werte zwischen 15°C und 28°C am häufigsten vor. Das liegt auch daran, dass die Daten im Dataset zwischen März und Juli aufgezeichnet wurden.

Dieses Histogramm zeigt die Verteilung der Kollektortemperatur. Bis ca. 130°C ist die Verteilung eigentlich recht normal. Allerdings ist die häufigste Temperatur in den Aufgezeichneten Daten über 150°C. Das liegt vermutlich daran, dass der Kollektor nicht gekühlt wird, wenn der Puffer geladen ist. Um diese Theorie zu bestätigen, werfen wir einen genaueren Blick auf die Kollektortemperatur und versuchen, Abhängigkeiten zu identifizieren. Dazu verwenden wir einen sogenannten Scatter-Plot. Diese Grafik bildet die Schnittpunkte zweier Werte ab. Dabei sind die zwei Werte im Prinzip das Koordinaten-System. Der Schnittpunkt wird dann markiert.

Die X-Achse spiegelt hier die Temperatur des Kollektors wieder, die Y-Achse die Temperatur im Puffer. Wir können hier gut erkennen, dass die Kollektortemperatur nur über 120°C steigt, wenn der Puffer über 90°C hat – also geladen ist.

Weitere interessante Zusammenhänge könnten wir finden, wenn wir uns die Temperatur des Kollektors in Verbindung mit dem Stand der Sonne ansehen:

Hier können wir erkennen, dass die Temperatur sehr wohl auch mit dem Stand der Sonne zusammenhängt. Je höher die Sonne, desto höher die Kollektortemperatur. Gleich verhält es sich mit dem Azimuth. Je weiter Südlich die Sonne steht, desto höher die Temperatur.

Die Abhängigkeit zwischen Luftfeuchte und Temperatur könnte auch noch interessante Schlüsse bringen:

Wir sehen hier, je höher die Temperatur, desto niedriger die Luftfeuchte – außer es regnet, dann fällt aber auch meist die Temperatur.

Daten der einzelnen Räume

Danach können wir uns den Daten der Räume widmen.

Diese beiden Grafiken (jeweils ein Raum) zeigen den Stand der Jalousie (label) in Abhängigkeit zur Kollektortemperatur. Ignoriert man hier mal die Daten in denen die Jalousien ganz offen oder ganz geschlossen ist (außerhalb des roten Rahmens), sehen wir, dass es Jalousie-Stellungen gibt, die häufig verwendet werden.

Da wir ja bei den Daten auch über die Luftfeuchtigkeit in Verhältnis zur Temperatur in Räumen und dem Wohlfühlklima gesprochen haben – hier auch noch eine Grafik dazu:

Auch hier ist die Abhängigkeit der beiden Werte gut zu erkennen.