Mariya A. Sodenkamp, I. Kozlovskiy, K. Hopf, T. Staake
{"title":"智能电表数据分析提高住宅能源效率","authors":"Mariya A. Sodenkamp, I. Kozlovskiy, K. Hopf, T. Staake","doi":"10.20378/IRB-47805","DOIUrl":null,"url":null,"abstract":"Im Zuge der Digitalisierung erhoffen sich Unternehmen Wettbewerbsvorteile durch die Entwicklung datenbasierter Dienstleistungen und die Steigerung der Vertriebseffizienz. Dies gilt auch fur Energieversorgungsunternehmen (EVUs), die, wenn auch in einem stark regulierten Umfeld, eine Transformation vom Versorger zum Dienstleister anstreben und zugleich eine Schlusselrolle beim Austausch fossiler Energietrager durch Elektrizitat aus erneuerbaren Quellen einnehmen. Ausgehend von den in absehbarer Zeit flachendeckend zur Verfugung 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 Verstandnis dafur, wie die Analytik auf konkrete Anwendungen der Energiedatenanalyse anzuwenden ist. Das Projekt «SmartLoad» trug dazu bei, diese Lucke zu schliessen und hat un-tersucht, inwiefern verfugbare Daten bei Energieanbietern genutzt werden konnen, um Haushalte zu erkennen, die a) bereit sind, nachhaltige Stromprodukte zu nutzen und die sich b) fur die Investition in Selbstversorgungs- und Speicherlosungen interessieren. Daruber hinaus hat das Projekt untersucht, wie c) Smart-Meter-Daten das Stromverbrauchs-Feedback unterstutzen konnen, um die Energieeffizienz im Privatsektor zu erhohen. \nVor diesem Hintergrund hat die Projektgruppe detaillierte Daten von insgesamt 1’373 privaten Haushalten erhoben, mit diesen Daten maschinellen Lernverfahren trainiert und Vorhersagemodelle fur das Kaufinteresse fur lokalen Okostrom, die Investition in Photovoltaikanlagen und die Anschaffung von Warmepumpen entwickelt. Das Modell fur den Kauf von Okostrom wurde in einem Experiment mit 4’712 Privatkunden evaluiert. Die Modelle zur Pradiktion der Investitionsbereitschaft in Photovoltaikanalgen und Warmepumpen ermoglichten die Entwicklung eines Softwareprototypen, der den Vertrieb der Technologien unterstutzt. \nDie Erkenntnisse des Projekts liefern Energieanbietern wichtige Hinweise, unter anderen fur welche Aufgaben des Vertriebs von nachhaltigen Produkten maschinelle Lernverfahren eingesetzt werden konnen, welche externen Datenquellen die Kaufvorhersagen verbessern, wie geeignete Trainingsdaten fur die Modellentwicklung gesammelt werden sollten und wie die entwickelten Vorhersagemodelle in eine Anwendung fur den Vertriebsmitarbeiter uberfuhrt werden konnen.","PeriodicalId":135083,"journal":{"name":"Wirtschaftsinformatik und Angewandte Informatik","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"1900-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"11","resultStr":"{\"title\":\"Smart Meter Data Analytics for Enhanced Energy Efficiency in the Residential Sector\",\"authors\":\"Mariya A. Sodenkamp, I. Kozlovskiy, K. Hopf, T. Staake\",\"doi\":\"10.20378/IRB-47805\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Im Zuge der Digitalisierung erhoffen sich Unternehmen Wettbewerbsvorteile durch die Entwicklung datenbasierter Dienstleistungen und die Steigerung der Vertriebseffizienz. Dies gilt auch fur Energieversorgungsunternehmen (EVUs), die, wenn auch in einem stark regulierten Umfeld, eine Transformation vom Versorger zum Dienstleister anstreben und zugleich eine Schlusselrolle beim Austausch fossiler Energietrager durch Elektrizitat aus erneuerbaren Quellen einnehmen. Ausgehend von den in absehbarer Zeit flachendeckend zur Verfugung 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 Verstandnis dafur, wie die Analytik auf konkrete Anwendungen der Energiedatenanalyse anzuwenden ist. Das Projekt «SmartLoad» trug dazu bei, diese Lucke zu schliessen und hat un-tersucht, inwiefern verfugbare Daten bei Energieanbietern genutzt werden konnen, um Haushalte zu erkennen, die a) bereit sind, nachhaltige Stromprodukte zu nutzen und die sich b) fur die Investition in Selbstversorgungs- und Speicherlosungen interessieren. Daruber hinaus hat das Projekt untersucht, wie c) Smart-Meter-Daten das Stromverbrauchs-Feedback unterstutzen konnen, um die Energieeffizienz im Privatsektor zu erhohen. \\nVor diesem Hintergrund hat die Projektgruppe detaillierte Daten von insgesamt 1’373 privaten Haushalten erhoben, mit diesen Daten maschinellen Lernverfahren trainiert und Vorhersagemodelle fur das Kaufinteresse fur lokalen Okostrom, die Investition in Photovoltaikanlagen und die Anschaffung von Warmepumpen entwickelt. Das Modell fur den Kauf von Okostrom wurde in einem Experiment mit 4’712 Privatkunden evaluiert. Die Modelle zur Pradiktion der Investitionsbereitschaft in Photovoltaikanalgen und Warmepumpen ermoglichten die Entwicklung eines Softwareprototypen, der den Vertrieb der Technologien unterstutzt. \\nDie Erkenntnisse des Projekts liefern Energieanbietern wichtige Hinweise, unter anderen fur welche Aufgaben des Vertriebs von nachhaltigen Produkten maschinelle Lernverfahren eingesetzt werden konnen, welche externen Datenquellen die Kaufvorhersagen verbessern, wie geeignete Trainingsdaten fur die Modellentwicklung gesammelt werden sollten und wie die entwickelten Vorhersagemodelle in eine Anwendung fur den Vertriebsmitarbeiter uberfuhrt werden konnen.\",\"PeriodicalId\":135083,\"journal\":{\"name\":\"Wirtschaftsinformatik und Angewandte Informatik\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"1900-01-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"11\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Wirtschaftsinformatik und Angewandte Informatik\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.20378/IRB-47805\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Wirtschaftsinformatik und Angewandte Informatik","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.20378/IRB-47805","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Smart Meter Data Analytics for Enhanced Energy Efficiency in the Residential Sector
Im Zuge der Digitalisierung erhoffen sich Unternehmen Wettbewerbsvorteile durch die Entwicklung datenbasierter Dienstleistungen und die Steigerung der Vertriebseffizienz. Dies gilt auch fur Energieversorgungsunternehmen (EVUs), die, wenn auch in einem stark regulierten Umfeld, eine Transformation vom Versorger zum Dienstleister anstreben und zugleich eine Schlusselrolle beim Austausch fossiler Energietrager durch Elektrizitat aus erneuerbaren Quellen einnehmen. Ausgehend von den in absehbarer Zeit flachendeckend zur Verfugung 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 Verstandnis dafur, wie die Analytik auf konkrete Anwendungen der Energiedatenanalyse anzuwenden ist. Das Projekt «SmartLoad» trug dazu bei, diese Lucke zu schliessen und hat un-tersucht, inwiefern verfugbare Daten bei Energieanbietern genutzt werden konnen, um Haushalte zu erkennen, die a) bereit sind, nachhaltige Stromprodukte zu nutzen und die sich b) fur die Investition in Selbstversorgungs- und Speicherlosungen interessieren. Daruber hinaus hat das Projekt untersucht, wie c) Smart-Meter-Daten das Stromverbrauchs-Feedback unterstutzen konnen, um die Energieeffizienz im Privatsektor zu erhohen.
Vor diesem Hintergrund hat die Projektgruppe detaillierte Daten von insgesamt 1’373 privaten Haushalten erhoben, mit diesen Daten maschinellen Lernverfahren trainiert und Vorhersagemodelle fur das Kaufinteresse fur lokalen Okostrom, die Investition in Photovoltaikanlagen und die Anschaffung von Warmepumpen entwickelt. Das Modell fur den Kauf von Okostrom wurde in einem Experiment mit 4’712 Privatkunden evaluiert. Die Modelle zur Pradiktion der Investitionsbereitschaft in Photovoltaikanalgen und Warmepumpen ermoglichten die Entwicklung eines Softwareprototypen, der den Vertrieb der Technologien unterstutzt.
Die Erkenntnisse des Projekts liefern Energieanbietern wichtige Hinweise, unter anderen fur welche Aufgaben des Vertriebs von nachhaltigen Produkten maschinelle Lernverfahren eingesetzt werden konnen, welche externen Datenquellen die Kaufvorhersagen verbessern, wie geeignete Trainingsdaten fur die Modellentwicklung gesammelt werden sollten und wie die entwickelten Vorhersagemodelle in eine Anwendung fur den Vertriebsmitarbeiter uberfuhrt werden konnen.