EVEKT - Erhöhung der Verbraucherpartizipation an der Energiewende durch KI-Technologien und datenbasierte Mehrwertdienste; Teilprojekt: Energiemonitoring privater Haushalte zur Erhöhung der Verbraucherpartizipation an der Energiewende durch KI-Technologien

Abstract

Der flächendeckende Smart-Meter-Rollout bildet die technische Grundlage, durch den hochauflösende Verbrauchsdaten im 15-Minuten-Intervall zukünftig standardmäßig verfügbar sein sollen. Im Bereich der Datenanalyse stellt die automatisierte Lastdisaggregation mittels KI-Algorithmen den aktuellen Forschungsfokus dar, um aus dem Gesamtstromverbrauch einzelne Haushaltsgeräte zu identifizieren. Ziel des Projekts „EVEKT“ war es, eine Webanwendung zu entwickeln, die diese Daten nutzt, um private Haushalte für ihr Energieverbrauchsverhalten zu sensibilisieren. Es wurde untersucht, ob die bloße Bereitstellung von Informationen über die Grundlast, Solarprognosen und CO₂e-Scores ausreicht, um bedeutsame Einsparungen und Verhaltensänderungen zu bewirken. Im Rahmen der Feldstudie wurde die Anwendung in realen Haushalten getestet. Methodisch wurden dabei 15-minütige Smart-Meter-Daten ausgewertet und drei verschiedene KI-Algorithmen zur Disaggregation eingesetzt. Dabei wurde insbesondere die Erkennungsgenauigkeit zwischen nicht-flexiblen Lasten wie Kühlgeräten und flexiblen Verbrauchern wie Waschmaschinen verglichen sowie das Nutzerverhalten bei Gemeinschafts-PV-Anlagen analysiert. Die Ergebnisse belegen eine durchschnittliche Einsparung von 7 % bei der Grund- und der mittleren Tageslast, während die Spitzenlasten konstant blieben. Technisch zeigten die Algorithmen bei nicht flexiblen Lasten sehr gute Ergebnisse. Flexible Einzelgeräte konnten dagegen nur durch eine kombinierte Betrachtung zuverlässig erkannt werden. Eine Verschiebung der Lasten in sonnenreiche Stunden blieb bei Gemeinschafts-PV-Anlagen aus. Dies wird auf fehlende direkte finanzielle Anreize für die einzelnen Nutzer zurückgeführt. Es wurde gezeigt, dass Informationstransparenz ein wirkungsvoller Hebel zur Energieeinsparung ist. Die gewonnenen Erkenntnisse und anonymisierten Datensätze dienen nun als Basis für die Entwicklung neuer datenbasierter Geschäftsmodelle sowie für die akademische Lehre. The nationwide smart meter rollout provides the techn.foundation, through which high-resolution consumption data in 15-minute intervals will be available as standard in the future. In the field of data analysis, automated load disaggregation using AI algorithms represents the current research focus, aiming to identify individual household appliances from total electricity consumption. The objective was to develop a web application that utilizes this data to sensitize private households to their energy consumption behavior. It was investigated whether the mere provision of information regarding base load, solar forecasts, and CO₂e scores is sufficient to bring about significant savings and behavioral changes. Within the framework of a field study, the application was tested in real households. Methodologically, 15-minute smart meter data were evaluated and three different AI algorithms were deployed for disaggregation. In particular, the detection accuracy between non-flexible loads, such as cooling appliances, and flexible consumers, as washing machines, was compared, and user behavior in buildings with community PV systems was analyzed. The results demonstrate an average saving of 7% in both the base load and the average daily load, while peak loads remained constant. Technically, the algorithms showed very good results for non-flexible loads, whereas flexible individual appliances were only reliably detected through a combined analysis. A shift of loads into high-sunshine hours did not occur in the community PV systems, which is attributed to a lack of direct financial incentives for the individual users. It was shown that information transparency is an effective lever for energy savings. The findings and anonymized datasets now serve as a basis for the development of new data-driven business models as well as for academic teaching. Furthermore, the results are continuously published at specialist conferences to ensure the transfer of knowledge into practice.