Im Jahre 2050 sollen in der Bundesrepublik 80% des Stroms aus erneuerbaren Energien gewonnen werden, der größte Teil aus Windkraft und Photovoltaik, deren erzeugte Energiemenge direkt vom Wetter beeinflusst wird. Die dadurch entstehenden Schwankungen haben bereits heute starke Auswirkungen auf die Stromnetze: sowohl zu wenig als auch zu viel Strom gefährdet die Netzstabilität und führt bei Nichtregulierung zu Ausfällen. Auf Erzeugerseite kann dieses Problem durch zu- und abschalten von Kraftwerken reguliert werden – eine für Wind- oder Photovoltaikanlagen offensichtlich ungenügende Lösung, da bereits im Jahr 2015 2,8% des aus erneuerbaren Energien erzeugten Stroms als Ausfallarbeit anfiel. Das Problem der Über- und Unterproduktion spielt auch beim Thema Nullenergiehaus und Microgrid eine entscheidende Rolle, denn Energieautarkheit kann nur dann erreicht werden, wenn sich auch der Verbrauch an die Erzeugung annähert. Mit zunehmender Verbreitung von Elektrofahrzeugen hält ein neuer, sehr großer Verbraucher Einzug in die Stromnetze. Elektrofahrzeuge sind jedoch nicht nur ein Energieverbraucher, sondern auch ein Energiespeicher, welcher neue Chancen zur Kompensation bei Unter- und Überversorgung bietet. Mit der fortschreitenden Digitalisierung des Energiesektors, wie dem Einbau von Smart-Metern auch in Privathaushalten, ergeben sich neue Möglichkeiten diesen Problemen entgegen zu wirken. Smart-Meter ermöglichen es, auf Haushaltsebene die benötigte Energiemenge genau zu analysieren und damit Vorhersagen über den in naher Zukunft liegenden Energieverbrauch zu erstellen.
Im Projekt wird die Entwicklung adaptiver Algorithmen zur Zeitreihenvorhersage (Time-Series-Prediction) betrachtet, mit dem Anwendungsfall der Stromverbrauchsvorhersage, im Kontext von Lastverschiebung in Privathaushalten. Die Vorhersage von Zeitketten basiert darauf, in vergangenen, historischen Daten Komponenten/Muster zu identifizieren, auf deren Basis eine Aussage über die Zukunft getroffen werden kann.
Diese können z.B. saisonale, sprich stündlich, täglich, wöchentliche Wiederkehrungen sein, aber auch allgemeine Trends oder Abhängigkeiten zwischen verschiedenen Geräten. Bei der Vorhersage des Stromverbrauchs eines Haushalts sind z.B. folgende Merkmale von Bedeutung: Korrelationen und kausale Abhängigkeiten zwischen Geräten (z.B. Waschmaschine/Trockner), Wochentag-abhängiges Verhalten (berufstätige Bewohner) und Stromverbrauchsprofile einzelner Geräte. Insbesondere saisonale Abhängigkeiten erscheinen dem Menschen sehr intuitiv, jedoch sind diese nicht direkt beobachtbar und in Vorhersagen schwer zu formulieren. Hier bieten maschinelle Lernverfahren die Möglichkeit, ohne menschlichen Eingriff Merkmale, Muster und Abhängigkeiten zu finden und so Gerätenutzungen und deren Stromverbrauchsprofile zu lernen. Vorhersagen können auf Basis von Einzelgerätemessungen, einzelner Phasen oder des gesamten Haushaltes geschehen. Das Projekt konzentriert sich hierbei zuerst auf die Vorhersage auf Basis von Einzelmessungen, denn eine Vorhersage auf Basis einer Gesamtmessung stellt gleichzeitig immer eine Disaggregation des Gesamtstroms in einzelne Verbraucher dar, ein bisher nicht zufriedenstellend gelöstes Problem.
Die Verbrauchsvorhersage kann in zwei Fragen geteilt werden: Wann wird das Gerät genutzt und wie ist die Stromverbrauchskurve bei Nutzung? Die größte Herausforderung liegt hierbei in der Vorhersage des Zeitpunktes einer Nutzung, denn dieser unterliegt den Gewohnheiten der Bewohner, welche sich abhängig von bekannten aber auch unbekannten Ereignissen mit der Zeit verändern. Nicht adaptive Verfahren, die auf Verhaltensveränderungen nicht reagieren können, kommen aus diesem Grund sehr schnell an ihre Grenzen. Vielversprechend ist hier der Einsatz von Deep-Learning Methoden, insbesondere von rekurrenten neuronalen Netzen vom Typ LSTM (Long short-term memory). Diese wurden bereits 1997 entwickelt und haben in den letzten Jahren mit dem Aufkommen des Deep-Learning für große Durchbrüche in der Spracherkennung und -übersetzung gesorgt und sind fundamentaler Bestandteil von Google Translate, Apple Siri und Amazon Alexa. Sie profitieren vor allem von der Fähigkeit, gelerntes auch wieder zu vergessen. Erste Versuche zeigen, dass auch im Bereich Nutzervorhersage mit Stromverbrauchsmessungen eine erhebliche Qualitätssteigerung möglich sein wird.
Grundlage für die Forschung bilden Datensätze mit Verbrauchsmessungen einzelner Geräte in Privathaushalten wie GREEND, ECO und der im Rahmen eines BMBF-Projekts an der Technischen Hochschule Rosenheim entstehende LVS-Datensatz, welcher demnächst veröffentlicht wird.
Veröffentlichungen
M. Wenninger, D. Stecher, and J. Schmidt. SVM-Based Segmentation of Home Appliance Energy Measurements. In 18th IEEE International Conference on Machine Learning and Applications. ICMLA 2019, pages 1666-1670. Florida, USA.
M. Wenninger, S.P. Bayerl, J. Schmidt, and K. Riedhammer. Timage – A Robust Time Series Classification Pipeline. In Tetko I., Kůrková V., Karpov P., Theis F. (eds) Artificial Neural Networks and Machine Learning – ICANN 2019: Text and Time Series. ICANN 2019. Lecture Notes in Computer Science, vol 11730, pages 450-461. Springer, Cham.
The final authenticated version is available online at doi.org/10.1007/978-3-030-30490-4_36
T. Goeller, M. Wenninger, and J. Schmidt. Towards Cost-Effective Utility Business Models - Selecting a Communication Architecture for the Rollout of New Smart Energy Services. In 7th International Conference on Smart Cities and Green ICT Systems (SMARTGREENS), pages 231-237, Funchal, Madeira, Portugal, 2018.
M. Wenninger, J. Schmidt, and T. Goeller. Appliance Usage Prediction for the Smart Home with an Application to Energy Demand Side Management - And Why Accuracy is not a Good Performance Metric for this Problem. In 6th International Conference on Smart Cities and Green ICT Systems (SMARTGREENS), pages 143-150, Porto, Portugal, 2017.
