02.08.2022

Die Normalisierung von Energiekennzahlen einfach erklärt

Dieser Beitrag beschreibt, wie eine Normalisierung von Kennzahlen abläuft, warum sie wichtig ist und welche Ergebnisse sich daraus ableiten und in der täglichen Praxis anwenden lassen. Dazu werden zunächst die dafür grundlegenden Begriffe erklärt und die Hintergründe aufgezeigt, die dazu führen, dass sich aktuell viele Unternehmen um geeignete Energiekennzahlen Gedanken machen müssen.

Normalisierung von Energiekennzahlen wichtig für Vergleiche

Warum ist die Normalisierung Ihrer Kennzahlen wichtig?

Bei der Normalisierung von Energiekennzahlen geht es darum, gleiche Rahmenbedingungen zu schaffen, anhand derer ein Vergleich der Energieeffizienz heute mit der Energieeffizienz aus beispielsweise dem Vorjahr aussagekräftig ist.

Energiekennzahlen (EnPIs) sind bewährte Hilfsmittel zur Quantifizierung der eigenen Energieeffizienz und dienen einem innerbetrieblichen wie auch außer- bzw. zwischenbetrieblichen Vergleich, dem sog. Benchmarking.

Die Bedeutung von Kennzahlen geht aus der ISO 50001 hervor, die die Anforderungen an ein Energiemanagementsystem beschreibt. In der genannten Norm muss anhand von Kennzahlen eine fortlaufende Verbesserung erkennbar sein.

Zielerreichung überprüfen

Mithilfe dieser Kennzahlen sollen Sie überprüfen, ob Sie gesetzte Ziele erreichen. Damit dies gelingt, ist erforderlich, dass auch Begleitumstände berücksichtigt werden: Lag der erhöhte Wärmebedarf des Gebäudes im vergangenen Jahr nicht auch am kälteren Winter? Hat sich die Energieleistungskennzahl verbessert, weil die Auftragsgrößen es zuließen, dass Anlagen ohne große Unterbrechungen durchgängig produzieren konnten?

Eigene Handlungsmacht offen legen

Vor allem aber sollen Sie aufzeigen können, welchen Einfluss die Organisation selbst auf ihre eigene Verbesserung oder eventuell auch Verschlechterung der Energieeffizienz hat. Was kann die Organisation selbst beeinflussen und wo ist sie Opfer der klimatischen Bedingungen oder der Ereignisse am Markt, wo sie Güter vertreibt? Sind gewisse äußere Umstände fix oder ändern sie sich im Zeitverlauf?

Sie können die Normalisierung von Energiekennzahlen also auch so sehen: Sie ist nichts anderes als der Versuch, einen geeigneten Korrekturfaktor abzuleiten, der es ermöglicht, bestimmbare Einflüsse bei einem Datenvergleich weitestgehend zu eliminieren.

Zentrale Begriffe rund um die Normalisierung von Energiekennzahlen

Bevor aufgezeigt wird, wie die Normalisierung von EnPIs vonstattengeht, empfiehlt es sich, die damit verbundenen Begriffe nochmals in aller Kürze zu erklären.

Die ISO 50001:2018 definiert die Normalisierung von EnPIs als

„Modifizierung von Daten zur Berücksichtigung von Änderungen, um den Vergleich der energiebezogenen Leistung unter gleichwertigen Bedingungen zu ermöglichen“.

Weitere relevante Begriffe sind:

  • EnPI-Wert: Quantifizierung der EnPI zu einem bestimmten Zeitpunkt oder über einen bestimmten Zeitraum
  • Statistischer Faktor: identifizierter Faktor, der die energiebezogene Leistung wesentlich beeinflusst und sich nicht routinemäßig ändert
  • Relevante Variable: quantifizierbarer Faktor, der die energiebezogene Leistung wesentlich beeinflusst und sich routinemäßig ändert

Normalisierung Ihrer Energiekennzahlen dokumentieren

Im Rahmen Ihres Energiemanagementsystems sollten Sie dokumentierte Informationen aufbewahren über

  • die Daten zur Ermittlung und zur Normalisierung der Energieleistungskennzahlen
  • sowie diese EnPIs selbst.

Hier bietet sich z.B. ein Arbeitsdokument an. Die Methode der Normalisierung sollte über einen längeren Zeitraum hinweg gleichbleiben, dokumentiert werden, und im Fall von Änderungen sollten Sie auch die Gründe dafür dokumentieren.

Einschränkungen bei klassischen Kennzahlen

Viele Unternehmen führen Energieleistungskennzahlen, in denen der Energieverbrauch in Relation gebracht wird mit der Produktionsmenge. Aber können diese z.B. monatlich gebildeten Kennzahlen untereinander wirklich verglichen werden bzw. sind diese aussagekräftig genug, um aufzuzeigen, ob eine Effizienzverbesserung erreicht wurde oder nicht?
Das folgende Beispiel gibt einen hilfreichen Denkanstoß:

Zeitraum Spezifischer Energieverbrauch (kw/1.000m2)
Oktober 2021 25,5
Dezember 2021 26,9

Anhand der vorliegenden Informationen würde jeder grundsätzlich davon ausgehen, dass der Oktober der energieeffizientere Monat war. Im Oktober wurde nämlich im Durchschnitt weniger Energie zur Produktion von 1.000 m² benötigt als im Dezember.

Stellen wir den Energieverbrauch der einzelnen Monate 2018 und ihre Produktionsmenge jedoch in einem Streudiagramm dar, zeigt sich das folgende Bild (Abbildung 1):

Streudiagramm Energieverbrauch pro Produktionsmenge
Abb. 1: Streudiagramm mit Trendlinie

Bilden wir eine Trendlinie, also stark vereinfacht ausgedrückt einen Mittelwert über das Jahr, so zeigt sich, dass der Wert von Oktober 2018 über dieser Linie liegt, der Dezemberwert darunter. Das bedeutet, dass bei genauerer Betrachtung der Dezember 2018 insgesamt energieeffizienter war als der Oktober. Aus Abbildung 1 geht zudem hervor, dass sich die Abhängigkeit zwischen dem Energieverbrauch und der Produktionsmenge mit einer Geraden annähern lässt (siehe Formel in der Abbildung).

Die Ergebnisse aus Abbildung 2 zeigen, dass die klassische Energieleistungskennzahl kWh/Produktionseinheit schnell an ihre Grenzen stoßen kann und ihre Aussagekraft darunter erheblich leidet.

Eine Normalisierung von Energiekennzahlen ist erforderlich, wenn…

Wann ist nun eine klassische Kennzahl erforderlich und wann eine Normalisierung?

Sollte sich herausstellen, dass nur eine Variable den Energieverbrauch maßgeblich beeinflusst, und ist die Grundlast (also der Verbrauch, wenn die Variable gleich 0 ist) klein, so kann weiterhin die klassische Kennzahl verwendet werden. Aus Abbildung 1 ist die Grundlast in der Formel ersichtlich (145.117 kWh) und beschreibt den Schnittpunkt mit der y-Achse. Je nach Höhe der Produktionsmenge (x-Achse) fällt die Grundlast unterschiedlich stark ins Gewicht.

Haben jedoch mehrere Variablen Einfluss auf den Energieverbrauch oder besteht eine große Grundlast, so ist eine Normalisierung der Kennzahl über ein statistisches Modell erforderlich.

Klassische Kennzahl (z.B. kWh/Einheit), wenn Statistisches Modell (Normalisierung), wenn
eine relevante Variable und mehrere Variablen oder
kleine Grundlast große Grundlast

Ab wann denn nun eine Variable maßgeblich oder eine Grundlast „hoch“ ist, darüber findet sich in der ISO 50006 nichts Näheres. Das müssen Unternehmen für jede einzelne Kennzahl selbst definieren.

Wie Energiekennzahlen normalisieren? Das Vorgehen einfach erklärt

Ziel der Normalisierung ist es also, die Daten so aufzubereiten, dass Sie damit den Anforderungen nach einem messbaren Nachweis der energiebezogenen Leistung bzw. etwaigen Einspareffekten nachkommen. Dazu müssen Sie die Daten modifizieren unter der Berücksichtigung etwaiger Änderungen, um den Vergleich der energiebezogenen Leistung unter gleichwertigen Bedingungen zu ermöglichen.

Bei der Normalisierung von EnPIs sollten Unternehmen in Anlehnung an die DIN ISO 50006:2017 die folgenden Schritte durchführen:

  1. Überprüfung vorliegender Parameter und Einflussgrößen/Variablen auf Signifikanz und mögliche Ergänzungen
  2. Erstellung und Verfeinerung von statistischen Modellen, um den Verbrauch auf Basis der vorliegenden Daten hinreichend genau zu bestimmen
  3. Durchführung entsprechender (auch multivariater) Regressionsanalysen unter Berücksichtigung der relevanten Energieverbräuche und Variablen

Variablen sammeln

Zielführend ist zunächst ein Brainstorming von Variablen für den jeweiligen Produktionsbereich, die Technologie oder den definierten Messraum, um festzustellen, wo genau eine Normalisierung erfolgen soll.

Datenlücken schließen

Anschließend sollten Sie klären, welche Daten bereits vorliegen und welche Daten Sie generieren können oder müssen und mit welchem Aufwand. Spätestens jetzt stellt sich oft heraus, dass bestimmte Messungen erforderlich sind, da Variablen, die die Organisation für sich als maßgeblich erachtet, sonst nicht bei der Normalisierung berücksichtigt werden können.

Variablen bewerten

Für eine Einzelbewertung der Variablen haben Sie mehrere Möglichkeiten: Erfahrung, Tendenzen, Verhalten der Maschine/Anlage, Sichtprüfung, Akustik, visuell

Die folgenden beiden Graphiken zeigen z.B., dass ein hohes Maß an Übereinstimmung im Verlauf von Produktionsmenge und Energieverbrauch vorhanden ist. Das lässt die Vermutung zu, dass die Korrelation zwischen diesen beiden Größen sehr stark ist:

Abb.2: Verlauf Produktion und Energieverbrauch in monatlicher Auflösung

Sind die Variablen bekannt, können diese unabhängigen Größen den abhängigen Größen gegenübergestellt werden.

  • Abhängige Größen (die zu erklärenden Variablen) sind z.B. der monatliche Stromverbrauch über zwei Jahre, die quartalsweisen Abrechnungen zum Fernwärmebezug oder der Erdgasverbrauch in stundengenauer Auflösung im Lastprofil.
  • Unabhängige Größen (die erklärenden Variablen) wiederum wären Produktionsmengen je Produktgruppe oder Gradtagszahlen.

Das Bestimmtheitsmaßbei der Normalisierung von Energiekennzahlen

Im nächsten Schritt sollte bestimmt werden, welche Variable relevant für den jeweiligen Verbrauch ist. Hierzu ist das Bestimmtheitsmaß R2 ein gutes Indiz. R2 gibt an, wie gut die unabhängige(n) Variable(n) geeignet ist/sind, die Varianz der abhängigen Variable(n) zu erklären. Hierbei weist ein Wert von 0 bzw. ein niedriger Wert auf keinen Zusammenhang zwischen Variable und Verbrauch hin und ein Wert von 1 darauf, dass die Variable zu 100 % den Verbrauch bestimmt.

Das Bestimmtheitsmaß kann beispielsweise über eine simple Funktion von Microsoft Excel® ermittelt werden, die Syntax hierbei ist: BESTIMMTHEITSMASS(Y;X),

  • wobei „Y“ den Verbrauch bzw. die abhängige(n) Variable(n) darstellt
  • und „X“ die unabhängige(n) Variable(n).

Ein Bestimmtheitsmaß unter 0,2 steht hier für keinen bzw. geringfügigen Einfluss, zwischen 0,2 und 0,75 ist ein grundsätzlicher Einfluss vorhanden und ab 0,75 besteht ein wesentlicher Einfluss. Diese Aufteilung ist jedoch nur ein Beispiel – die Skalierung obliegt hierbei grundsätzlich der Organisation.

Generell spricht ein hohes R2 dafür, dass eine starke Korrelation vorhanden ist zwischen den abhängigen und den unabhängigen Variablen. Weitere Variablen sind dann nicht wesentlich. Ein niedriges R2 hingegen weist darauf hin, dass Sie andere relevante Variablen nicht mit einbezogen haben.

Ab welcher Größenordnung das Bestimmtheitsmaß einen derart signifikanten Einfluss beschreibt, dass diese Variable für sich allein mit hinreichender Genauigkeit den Verbrauch beeinflusst, hängt auch vom konkreten Anwendungsfall ab. Generell ist ein R2 von 0,9 und höher aber erstrebenswert.

Unsere Empfehlung

Den vollständigen Beitrag lesen Sie in Energiemanagement von WEKA MEDIA

Ihnen hat der Beitrag aus Energiemanagement in der betrieblichen Praxis gefallen? Im vollständigen Text finden Sie noch viele weitere Hinweise zur Datenqualität, zur multivariaten Regression und die Autoren verdeutlichen das Vorgehen anhand eines Beispiels. Sie können Energiemanagement in der betrieblichen Praxis vierzehn Tage lang kostenlos testen. Für mehr Infos, gern auf den Link klicken.

Beispiel für die Normalisierung von EnPIs: die Gradtagszahlen

Gerade über Temperaturschwankungen hinweg ist das Gradtagszahlverfahren ein gängiger Ansatz. Der Normalzustand wird durch eine Gradtagszahl festgelegt, die über die letzten zehn Jahre ermittelt und gemittelt wurde. Diese ist standortabhängig.

Beim Verfahren der Gradtagszahlen legen Sie eine Heizgrenze (in Deutschland üblicherweise 15 °C) und eine gewünschte Raumtemperatur fest. Außerdem messen Sie die Außentemperatur.

Überschreitet die Außentemperatur nun die festgelegte Heizgrenze, so lehnen Sie sich entspannt zurück und tun nichts.

Unterschreitet die Temperatur die Heizgrenze, so bilden Sie die Differenz zwischen der gewünschten Raumtemperatur und der Außentemperatur. Diese summieren Sie über die verschiedenen Tage im Jahr auf. Hiermit ergibt sich ein Wert im Bereich von üblicherweise 2.00–-3.000; dieser ist standortabhängig. Den Langzeitwert teilen Sie dann durch den ermittelten Wert für das aktuelle Jahr oder den aktuellen Zeitraum. So erhalten Sie einen Korrekturfaktor.

Mit diesem multiplizieren Sie Ihren Energieeinsatz oder EnPI und schon haben Sie den Witterungseinfluss weitgehend kompensiert.

Autor*innen: Andreas Kopczewski, Matthias Voigtmann, Michelangelo Paradiso