Kombinierte Verhaltens- und Analyse-Innovation zur Steigerung der Energieeffizienz mittels Smart Meter in Privathaushalt; Teilprojekt: Maschinelle Lernverfahren für Energieeffizienz-Feedback
Abgeschlossen
Information
Projektdaten
- Titel
- Kombinierte Verhaltens- und Analyse-Innovation zur Steigerung der Energieeffizienz mittels Smart Meter in Privathaushalt; Teilprojekt: Maschinelle Lernverfahren für Energieeffizienz-Feedback
- Projektleitung
- Hopf, Konstantin
- Einrichtung
- Beteiligte Personen
- Beginn
- 01.12.2020
- Ende
- 31.08.2022
- Kategorie
- Sonstiges
- Forschungsprofil der Universität Bamberg
- Digitale Geistes-, Sozial- und Humanwissenschaften
Projektbeschreibung
- Akronym
- BENEFIZZO
- Beschreibung
Durch die Anwendung maschineller Lernverfahren auf große Datenmengen des privaten Energiekonsums und den Einsatz moderner Feedback-Technologien entwickelt dieses Verbundprojekt eine Kundenbindungsplattform als ausgereiften Prototypen. Diese digitale Plattform ermöglicht eine handlungsorientierte und auf den einzelnen Haushalt zugeschnittene Kommunikation, welche private Haushalte zu mehr Energieeffizienz anleitet. Aufbauend auf der zu entwickelnden Energieeffizienz-Plattform werden wir zusammen mit Energieanbietern in Europa neuartige Dienstleistungen entwickelt, welche die Energieeffizienz bzw. die nachhaltige Energienutzung im Privatbereich steigern. Dabei adressieren wir die von Unternehmen, Forschung und Politik anerkannten Grenzen der Smart-Meter-Technologie sowie die des privaten Energiekonsumverhaltens.
Das Teilprojekt der Universität Bamberg umfasst die (Weiter-)Entwicklung und Evaluation von maschinellen Lernverfahren, welche die Grundlage für die zu entwickelnde intelligente Energieeffizienzplattform bilden. Wir bringen Machine-Learning-Modelle voran, welche Haushaltseigenschaften (Wohnungsgröße, Anzahl der Bewohner oder Geräte, usw.) oder die Bereitschaft von Kunden für eine Teilnahme an Energieeffizienz- oder Lastverschiebungskampagnen mit Hilfe von Lastkurven, Standortinformationen und anderen Datenquellen vorhersagen können. Zudem evaluieren wir Techniken des Explainable AI (XAI) für deren Einsatz im Bereich des Energiefeedbacks.
- Forschungsgebiet
- Wirtschaftsinformatik
Förderung
| Forschungsförderer | Förderkennzeichen | URL |
|---|---|---|
| Bundesministerium für Bildung und Forschung | 01QE2045C | https://foerderportal.bund.de/foekat/jsp/SucheAction.do?actionMode=view&fkz=01QE2045C |
Publikationen
- Filter Methods for Feature Selection in Supervised Machine Learning Applications : Review and Benchmark – Hopf, Konstantin; Reifenrath, Sascha · 2024 · preprint
- Augmented Cross-Selling Through Explainable AI : a Case From Energy Retailing – Haag, Felix; Hopf, Konstantin; Menelau Vasconcelos, Pedro u. a. · 2022 · Konferenzveröffentlichung
- Augmented Cross-Selling Through Explainable AI : a Case From Energy Retailing – Haag, Felix; Hopf, Konstantin; Menelau Vasconcelos, Pedro u. a. · 2022 · Konferenzveröffentlichung
- Filter Methods for Feature Selection in Supervised Machine Learning Applications : Review and Benchmark – Hopf, Konstantin; Reifenrath, Sascha · 2021 · preprint
- Explainable AI for Tailored Electricity Consumption Feedback : An Experimental Evaluation of Visualizations – Wastensteiner, Jacqueline; Weiss, Tobias M.; Haag, Felix u. a. · 2021 · Konferenzveröffentlichung
- Explainable AI for Tailored Electricity Consumption Feedback : An Experimental Evaluation of Visualizations – Wastensteiner, Jacqueline; Weiss, Tobias M.; Haag, Felix u. a. · 2021 · Konferenzveröffentlichung