Sodenkamp, MariyaMariyaSodenkampHopf, KonstantinKonstantinHopf0000-0002-5452-0672Kozlovskiy, IlyaIlyaKozlovskiyStaake, ThorstenThorstenStaake2019-09-192016-10-042016https://fis.uni-bamberg.de/handle/uniba/40961Kommunikationsfähige Stromzähler ermöglichen die Erfassung individueller Lastprofile mit hoher zeitlicher Auflösung (typischerweise in 15-Minuten-Intervallen). Projektgegenstand ist die Weiterentwicklung von Methoden des maschinellen Lernens, um aus Lastprofilen und zusätzlichen verbrauchs-relevanten Informationen (Wetter, soziodemographische Daten, Adressinformationen, usw.) automatisiert Merkmale von Haushalten abzuleiten, welche für eine individuelle und spezifische Energieberatung von Nutzen sind. Mit den im Rahmen des Projektes entwickelten Smart-Meter-Klassifikations-Verfahren konnten 38 Eigenschaften privater Haushalte mit zum Teil hoher Sicherheit (über 70%) aus Lastprofilen und zusätzlichen frei verfügbaren Daten unter Einhaltung von Datenschutzbestimmungen vorhergesagt werden. Neben Umständen der Lebenssituation (z.B. Familien, Rentner, Kinder, sozialer Status) lassen sich auch Energieeffizienz-Charakteristika (z.B. Heizungstyp, Hausalter und -grösse, Geräte im Haushalt) sowie Einstellungen (z.B. gegenüber erneuerbaren Energieträgern, Interesse an Ökostrom oder an Solaranlagen) mit den entwickelten Algorithmen abschätzen. Mit Hilfe der Projektresultate können autorisierte Energiedienstleister wirkungsvolle und skalierbare Effizienzkampagnen realisieren. Zugleich unterstützen die Projektresultate eine faktenbasierte Diskussion über die Vorteile (z.B. Steigerung der Energieeffizienz) und Kosten (z.B. Wirkung auf die Privatsphäre) solcher Verfahren.Smart electricity meters allow for capturing consumption data of individual households at a high resolution in time (typically at 15-minute intervals). The key objective of this project is to develop further and evaluate feature extraction and machine learning techniques for automatic identification of household properties based on electricity load profiles and additional consumption-related infor- mation (weather, socio-demographic data, holidays, etc.). The gained information shall render highly targeted and scalable energy efficiency services possible. The developed classification methods enable recognition of 38 household characteristics with accuracy of partially above 70%, based on smart meter load profiles and additional freely available data and under adherence to data privacy and security regulations. The characteristics describe inhabitants’ life situation (e.g., families, retirees, children, social status), energy efficiency (e.g., heating type, age and size of house, appliances in the household) as well as attitudes (e.g., toward renewable energy sources, interest on green electricity or solar panels). The project results will help authorized energy service providers in realization of effective and scalable energy efficiency campaigns. At the same time, the results support a factbased discussion of advantages (e.g., enhancement of energy efficiency) and costs (e.g., privacy implications) of such approaches.deuworkingpaperhttp://www.bfe.admin.ch/dokumentation/energieforschung/index.html?lang=de&publication=11372urn:nbn:de:bvb:473-opus4-476186