Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Publikationen › Enhancing energy efficiency in the residential sector with smart meter data analytics

Publikation

Enhancing energy efficiency in the residential sector with smart meter data analytics

Hopf, Konstantin; Sodenkamp, Mariya; Staake, Thorsten (2020): Enhancing energy efficiency in the residential sector with smart meter data analytics, in: Bamberg: Otto-Friedrich-Universität, doi: 10.20378/irb-47018.

Details

Fakultät/Lehrstuhl
Autorin(nen)/Autor(en)
Hopf, Konstantin
Sodenkamp, Mariya
Verlagsangabe
Otto-Friedrich-Universität : Bamberg
Erscheinungsjahr
2020
Seiten
19
Quelle/Weitere Ausgabe
Electronic Markets, 28 (2018) 4, S. 453–473 - ISSN: 1422-8890, 1019-6781
Jahr der Erstpublikation
2018
Sprache(n)
Englisch
DOI
Lizenz
URN
Abstract

Tailored energy efficiency campaigns that make use of household-specific information can trigger substantial energy savings in the residential sector. The information required for such campaigns, however, is often missing. We show that utility companies can extract that information from smart meter data using machine learning. We derive 133 features from smart meter and weather data and use the Random Forest classifier that allows us to recognize 19 household classes related to 11 household characteristics (e.g., electric heating, size of dwelling) with an accuracy of up to 95% (69% on average). The results indicate that even datasets with an hourly or daily resolution are sufficient to impute key household characteristics with decent accuracy and that data from different yearly seasons does not considerably influence the classification performance. Furthermore, we demonstrate that a small training data set consisting of only 200 households already reaches a good performance. Our work may serve as benchmark for upcoming, similar research on smart meter data and provide guidance for practitioners for estimating the efforts of implementing such analytics solutions.

GND-Schlagwort(e)
Entscheidungsunterstützung
Datenanalyse
Energieeffizienz
Nachhaltigkeit
Informationssystem
Freie Schlagwort(e)
decision support systems, data analytics, energy efficiency, sustainability, green information systems
DDC-Klassifikation
004 Computer science
330 Wirtschaft
RVK-Klassifikation
ST 530
Peer Reviewed
ja
Internationale Verbreitung
ja
Open-Access-Zeitschrift
nein
Dokumenttyp
Artikel in einer Zeitschrift / Postprint
URI
Datum der Freischaltung
17.01.2020

Permalink: https://fis.uni-bamberg.de/handle/uniba/47018 · Daten als JSON · Zitieren: BibTeX · RIS

Datenstand: 16.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.