SmartNIALMeter – Smarte Lastaufschlüsselung mit Smart-Meter

Zusammenfassung

Die Autoren verschiedener Studien weisen ein Potential zur Energieeinsparung nach, wenn den Menschen der Energieverbrauch möglichst unmittelbar und detailliert angezeigt wird. Ziel dieses Projekts ist es, in einer zweijährigen Studie das Einsparpotential an elektrischer Energie zu prüfen, wenn der Energieverbrauch aufgeschlüsselt nach einigen wichtigen Geräten aufgezeigt wird. Dazu wenden wir die Methoden des non-intrusive appliance load monitoring (NIALM) an. Die Projektpartner Energie Thun und EKZ stellen im Rahmen ihrer Smart-Meter-Rollouts Testhaushalte für ein Pilotprojekt. NIALM-Algorithmen werten die Daten aus, welche die CII-Schnittstelle aus den Smart-Metern von Landis+Gyr ausgibt. Die Hochschule Luzern und das Bits to Energy Lab adaptieren bekannte NIALM-Algorithmen, die Validierung erfolgt mit Sub-Metern von smart-me. Das BFE unterstützt das Projekt finanziell.

Weitere Texte

Publikationen / Ergebnisse

Wenn Stromzähler die Fähigkeit haben, den Stromverbrauch praktisch in Echtzeit an das Elektrizitätswerk zu übermitteln, spricht man von ‹Smart Metern›. Diese ‹intelligenten› Messgeräte vereinfachen die Abrechnung – und eröffnen neue Nutzungsmöglichkeiten für Stromversorger und Konsumenten. Zwei Forschungsprojekte mit finanzieller Förderung durch das Bundesamt für Energie haben das Potenzial dieser Messgeräte in ausgewählten Bereichen untersucht. Sie sehen Anwendungen insbesondere bei grösseren Verbrauchern wie Wärmepumpen oder Ladestationen – etwa zur Bereitstellung von Serviceleistungen oder bei der Nutzung für Lastverschiebung (Peakshaving).

Schlüsselwörter

Smart Meter, NIALMS, Datenauswertung, Cloud, Lastauswertung

Schlussbericht

Ziel des Projektes SmartNIALMeter war es, auf der Basis von Smartmeter Daten und unter Einbezug moderner NIALM-basierten Verbrauchsanalysen (NIALM = non-intrusive appliance load monitoring) den Energieverbrauch nach wichtigen Geräten aufzuschlüsseln, dem Benutzer dies anzuzeigen und damit abzuklären, ob sich daraus eine Verhaltensänderung und damit ein Einsparpotential an elektrischer Energie ergibt. Dazu war es notwendig umfangreiche Messungen und Datenaufzeichnungen von Smartmeter Daten sowie elektrischen Verbrauchern durchzuführen. In einem Pilotbetrieb wurden in 24 Haushalten die Daten aufgezeichnet und mit Machine Learning Algorithmen Lastaufschlüsselungen (NIALM) durchgeführt. Ebenfalls wurde das Benutzerverhalten analysiert. Eine wesentliche Erkenntnis des Projekts ist es, dass die implementierten und getesteten Algorithmen zur Lastaufschlüsselung nicht die Genauigkeit erreichen konnten, die für einen kommerziell verwertbaren Einsatz notwendig wären. Prinzipiell kann davon ausgegangen werden, dass eine massentaugliche Anwendung von präzisen und auf viele Geräte ausgerichtete NIALM-Verfahren für die kommenden fünf Jahre in Haushalten nicht zu erwarten ist. Hingegen dürften NIALM basierende Anwendungen, die sich auf die Erkennung weniger (oder sogar einzelner) großer Verbraucher beschränken, einfacher zu realisieren sein. Beispiele grosser Verbraucher sind Elektroautos, Wärmepumpen oder Boiler. Dazu zeigt eine wachsende Anzahl von Veröffentlichungen zu NIALMAlgorithmen vielversprechende neue Ansätze. Weiterhin konnten aus den Kundenumfragen die Erkenntnisse gewonnen werden, dass Ansätze wie ein Verbrauchs-Feedback dazu beitragen können, Hürden bezüglich Beratungsleistungen für Optimierungsmassnahmen abzubauen und insgesamt ein erhebliches Interesse sowie eine gute Zahlungsbereitschaft für datenbasierte Energiedienstleistungen besteht. Des Weiteren sollte beim Aufbau und Betrieb von Installationen und einer Infrastruktur für Datenaufzeichnungen beachtet werden, dass diese mit zahlreichen Herausforderungen behaftet sind und enorm zeitaufwendig sein können.

Projektdetails

Forschungsstelle
BFE
Projektstatus
Abgeschlossen
Projekttyp
Forschungsprojekt
Startdatum
2017-08-31
Enddatum
2020-10-30
Bewilligte Gesamtkosten
CHF 248960.00
Sektion
Elektrizitätstechnologien
NABS Politikbereich
Erzeugung, Verteilung und rationelle Nutzung der Energie

Kategorien

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

Labels

Elektrizität P+D