Smart Grids
Verantwortlicher
Universität Bamberg
Mit Verfahren des maschinellen Lernens lassen sich wertvolle Informationen aus Smart-Meter-Daten gewinnen, die sich zur Steigerung der Energieeffizienz und zur Verbesserung der Kundenbindung einsetzen lassen. In Smart-Meter-Daten stecken wertvolle Informationen über einzelne Haushalte. Mit Verfahren des maschinellen Lernens lassen sich diese Informationen erkennen und für Kampagnen zur Steigerung der Energieeffizienz, zur Verbesserung der Kundenbindung und für neue Dienstleistungen wie etwa automatisierte Energieberatungen oder diagnostische Rechnungen einsetzen.
Elektronische Stromzähler bilden eine zentrale Komponente des entstehenden intelligenten Stromnetzes („Smart Grid“) und ersetzen bereits in vielen Ländern die klassischen mechanischen Zähler. Smart Meter übermitteln die Verbräuche meist in 15-minütigen Intervallen, machen die Zählerablese vor Ort überflüssig und ermöglichen dynamische Stromtarife, eine bessere Beobachtung des Verteilnetzes sowie einfache Anbieterwechsel.
In den Daten steckt aber noch viel mehr als lediglich technische Informationen für bessere Abrechnungs- und Wartungssysteme: Mit Methoden des maschinellen Lernens lassen sich aus den Smart-Meter-Daten Rückschlüsse auf Haushaltsmerkmale ebenso ableiten wie Einsparpotenziale und die Eignung für bestimmte Stromtarife oder das individuelle Potenzial lokaler PV-Speicherlösungen.
Die Ergebnisse dienen der Steigerung der Energieeffizienz von Haushalten und Unternehmen, ermöglichen neue Energiedienstleistungen und helfen, die Kundenbindung zu verbessern. Gemeinsam mit unseren Praxispartnern arbeiten wir an den erforderlichen Algorithmen und führen Feldtests durch, um unsere Arbeiten zu verbessern und zu evaluieren.
Die Ergebnisse werden gemeinsam mit dem Startup BEN Energy AG umgesetzt und von zahlreichen Energieversorgern angewendet. Wissenschaftliche Veröffentlichungen dazu sind in mehreren Fachzeitschriften erschienen, unter anderem in Elsevier Energy und Decision Analytics.