TY - RPRT TI - SmartLoad : Smart Meter Data Analytics for Enhanced Energy Efficiency in the Residential Sector AU - Weigert, Andreas AU - Hopf, Konstantin AU - Staake, Thorsten AU - Rast, André AU - Marckhoff, Jan PY - 2020 PB - Bundesamt für Energie, Sektion Energieforschung und Cleantech CY - Bern UR - https://fis.uni-bamberg.de/handle/uniba/54043 LA - deu AB - Im Zuge der Digitalisierung erhoffen sich Unternehmen Wettbewerbsvorteile durch die Entwicklung datenbasierter Dienstleistungen und die Steigerung der Vertriebseffizienz. Dies gilt auch für Energieversorgungsunternehmen (EVUs), die, wenn auch in einem stark regulierten Umfeld, eine Transformation vom Versorger zum Dienstleister anstreben und zugleich eine Schlüsselrolle beim Austausch fossiler Energieträger durch Elektrizität aus erneuerbaren Quellen einnehmen. Ausgehend von den in absehbarer Zeit flächendeckend zur Verfügung stehenden Verbrauch- und Transaktionsdaten planen EVUs, auf ihre Kunden massgeschneiderte Produkte und Dienstleistungen zu entwickeln. Um den Wert dieser Daten zu heben, ist jedoch der Einsatz moderner Analysemethoden – zum Beispiel Verfahren des maschinellen Lernens – erforderlich. In den letzten Jahrzehnten wurden zwar eine Reihe von generellen Datenanalyseverfahren entwickelt, aber es fehlt nach wie vor (insbesondere in Unternehmen) das Verständnis dafür, wie die Analytik auf konkrete Anwendungen der Energiedatenanalyse anzuwenden ist. Das Projekt «SmartLoad» trug dazu bei, diese Lücke zu schliessen und hat un-tersucht, inwiefern verfügbare Daten bei Energieanbietern genutzt werden können, um Haushalte zu erkennen, die a) bereit sind, nachhaltige Stromprodukte zu nutzen und die sich b) für die Investition in Selbstversorgungs- und Speicherlösungen interessieren. Darüber hinaus hat das Projekt untersucht, wie c) Smart-Meter-Daten das Stromverbrauchs-Feedback unterstützen können, um die Energieeffizienz im Privatsektor zu erhöhen. Vor diesem Hintergrund hat die Projektgruppe detaillierte Daten von insgesamt 1’373 privaten Haushalten erhoben, mit diesen Daten maschinellen Lernverfahren trainiert und Vorhersagemodelle für das Kaufinteresse für lokalen Ökostrom, die Investition in Photovoltaikanlagen und die Anschaffung von Wärmepumpen entwickelt. Das Modell für den Kauf von Ökostrom wurde in einem Experiment mit 4’712 Privatkunden evaluiert. Die Modelle zur Prädiktion der Investitionsbereitschaft in Photovoltaikanalgen und Wärmepumpen ermöglichten die Entwicklung eines Softwareprototypen, der den Vertrieb der Technologien unterstützt. Die Erkenntnisse des Projekts liefern Energieanbietern wichtige Hinweise, unter anderen für welche Aufgaben des Vertriebs von nachhaltigen Produkten maschinelle Lernverfahren eingesetzt werden können, welche externen Datenquellen die Kaufvorhersagen verbessern, wie geeignete Trainingsdaten für die Modellentwicklung gesammelt werden sollten und wie die entwickelten Vorhersagemodelle in eine Anwendung für den Vertriebsmitarbeiter überführt werden können. KW - Energietechnik ER -