Hopf, KonstantinKonstantinHopf0000-0002-5452-0672Staake, ThorstenThorstenStaake2020-04-302020-04-302019https://fis.uni-bamberg.de/handle/uniba/47757Die Steigerung der Energieeffizienz im Privatsektor und der zunehmende Wettbewerb im Energievertrieb stellt die deutsche Energiewirtschaft vor grundlegende Herausforderungen. Gleichzeitig bringt jedoch die Digitalisierung im Energiesektor, die insbesondere durch intelligente Stromnetze und die steigende Verfügbarkeit von Daten unterstützt wird, enorme Potentiale, die von Energieversorgern strategisch sinnvoll genutzt werden können. Die Forschung in diesem Verbundvorhaben zielte darauf ab, Verfahren des maschinellen Lernens zu entwickeln, um verfügbare Daten bei EVU (z.B. Energieverbrauchsdaten, Tarifinformationen), sowie frei verfügbare Daten (Geoinformationen, Wetterdaten, usw.) so zu verarbeiten, sodass wirkungsvolle, massenmarkttaugliche Energieeffizienzmaßnahmen und Dienstleistungen realisiert werden können. Hierzu wurden die Daten mit zusätzlichen Informationen aus Kundenumfragen oder früheren Kundenansprachen angereichert. Schlussendlich ermöglichen es die aus den Daten erzielten Erkenntnisse, die Servicequalität im Energievertrieb und die Energieeffizienz bei Endkunden zu steigern. Im Teilprojekt der Otto-Friedrich-Universität Bamberg wurden Verfahren der Energiedatenanalyse entwickelt, die durch die BEN Energy AG (Zürich) in die BENgine-Softwareplattform eingebettet und zu nutzbaren Lösungen für EVU im europäischen Raum weiterentwickelt wurden. Die Lösung ist zum Zeitpunkt des Projektabschlusses bei über 30 EVU in Europa im Einsatz.Increasing energy efficiency in the private sector and growing competition in energy retailing pose fundamental challenges for the German energy industry. At the same time, digitalization in the energy sector, which is boosted through the rollout of smart grids, and the increasing availability of data in general, offers enormous potentials that can be strategically exploited by energy utilities. Research in this joint project has developed methods of machine learning in order to process available data at energy supply companies (e.g. energy consumption data, tariff information) and freely available data (geoinformation, weather data, etc.) in such a way that effective energy efficiency measures and services, suitable for the mass market, can be realized. For this purpose, the data was enriched with additional information from customer surveys or previous customer contacts. Ultimately, the insights gained from the data through the use of the developed tool will enable energy retailers to improve service quality and energy efficiency for end customers. In the subproject of the University Bamberg, methods of energy data analysis have been developed that were embedded into the BENgine software platform by BEN Energy AG (Zurich). These methods have, thus, been transformed into usable solutions for energy suppliers in Europe. At the time of project completion, the solution was in use at more than 30 energy utility companies in Europe.deu004333.7workingpaper10.2314/KXP:1687331642