Smart Meter Datenanalyse für automatisierte Energieberatung

Résumé

Kommunikationsfähige Stromzähler ermöglichen die Erfassung individueller Lastprofile mit hoher zeitlicher Auflösung (typisch in 15-Minuten-Intervallen). Projektgegenstand ist die Weiterentwicklung von Methoden des maschinellen Lernens, um aus Lastprofilen automatisiert Merkmale von Haushalten abzuleiten, welche für eine individuelle und spezifische Energieberatung von Nutzen sind. Dadurch lassen sich IT-unterstützte und skalierbare Effizienzkampagnen realisieren.

Textes supplémentaires

Schlussbericht

Kommunikationsfähige Stromzähler ermöglichen die Erfassung individueller Lastprofile mit hoher zeitlicher Auflösung (typischerweise in 15-Minuten-Intervallen). Projektgegenstand ist die Weiterentwicklung von Methoden des maschinellen Lernens, um aus Lastprofilen und zusätzlichen verbrauchs-relevanten Informationen (Wetter, soziodemographische Daten, Adressinformationen, usw.) automatisiert Merkmale von Haushalten abzuleiten, welche für eine individuelle und spezifische Energieberatung von Nutzen sind. Mit den im Rahmen des Projektes entwickelten Smart-Meter-Klassifikations-Verfahren konnten 38 Eigenschaften privater Haushalte mit zum Teil hoher Sicherheit (über 70%) aus Lastprofilen und zusätzlichen frei verfügbaren Daten unter Einhaltung von Datenschutzbestimmungen vorhergesagt werden. Neben Umständen der Lebenssituation (z.B. Familien, Rentner, Kinder, sozialer Status) lassen sich auch Energieeffizienz-Charakteristika (z.B. Heizungstyp, Hausalter und -grösse, Geräte im Haushalt) sowie Einstellungen (z.B. gegenüber erneuerbaren Energieträgern, Interesse an Ökostrom oder an Solaranlagen) mit den entwickelten Algorithmen abschätzen. Mit Hilfe der Projektresultate können autorisierte Energiedienstleister wirkungsvolle und skalierbare Effizienzkampagnen realisieren. Zugleich unterstützen die Projektresultate eine faktenbasierte Diskussion über die Vorteile (z.B. Steigerung der Energieeffizienz) und Kosten (z.B. Wirkung auf die Privatsphäre) solcher Verfahren. Auftragnehmer/Contractant/Contraente/Contractor: ETH Zürich, D-MTEC, Lehrstuhl für Informationsmanagement Autorschaft/Auteurs/Autori/Authors: Sodenkamp,Mariya Sodenkamp,Mariya Hopf,Konstantin Kozlovskiy,Ilya Kozlovskiy,Ilya Staake,Thorsten

Publikationen / Ergebnisse

Kommunikationsfähige Stromzähler („Smart Meter“) ermöglichen die Erfassung individueller Lastpro-file mit hoher zeitlicher Auflösung. Projektgegenstand ist die Weiterentwicklung von Methoden des maschinellen Lernens, um aus Lastprofilen automatisiert Merkmale von Haushalten abzuleiten, wel-che für eine individuelle und spezifische Energieberatung von Nutzen sind. Dadurch lassen sich IT-unterstu¨tzte und skalierbare Effizienzkampagnen realisieren. In der folgenden Projektphase wird eine mehrdimensionale Klassifikation entwickelt, um mit zusätzlichen Daten aus Geo-Informationssystemen und Kundenstammdaten die Qualität der Merkmalserkennung zu verbessern sowie die Anzahl der erkennbaren Merkmale zu erhöhen. Daneben sollen die Algorithmen mit Daten des Schweizerischen Versorgers Arbon Energie AG validiert werden. Auftragnehmer/Contractant/Contraente/Contractor: ETH Zürich, D-MTEC, Lehrstuhl für Informationsmanagement ETH Zürich, Distributed Systems Group, Institute for Pervasive Computing, CNB Autorschaft/Auteurs/Autori/Authors: Sodenkamp,Mariya Sodenkamp,Mariya Kozlovskiy,Ilya Kozlovskiy,Ilya Beckel,Christian Staake,Thorsten

Schlüsselwörter

Détails du projet

Office de recherche
BFE
Statut du projet
Abgeschlossen
Type de projet
Forschungsprojekt
Date de début
2014-03-31
Date de fin
2015-09-29
Coûts totaux approuvés
CHF 198450.00
Section
Elektrizitätstechnologien
Domaine politique NABS
Erzeugung, Verteilung und rationelle Nutzung der Energie

Catégories

Building energy management systems (incl. smart meters) and efficient internet Elektrizitätstechnologien & -anwendungen Anwendungsorientierte Forschung

Labels

F+E Elektrizität Netze