Overview
In Industrie-, Gewerbe- und Dienstleistungsbetrieben werden Stromdaten zunehmend mit Smart-Meter-Geräten digital erfasst.
Non-Intrusive Load Monitoring (NILM) ist der Forschungsbereich, der sich mit der Aufschlüsselung (Disaggregation) der Daten einzelner Verbraucher beschäftigt. Dies wird mit Methoden des maschinellen Lernens erreicht. Bisher wurde dazu hauptsächlich auf «Supervised Learning» zurückgegriffen - also auf Ansätze des maschinellen Lernens, welche auf Grund von Beispielen lernen. Dazu ist jedoch kostspieliges, gleichzeitiges Ausmessen sehr vieler Stromverbraucher notwendig. Um diesen Nachteil zu umgehen, untersuchen wir im Projekt wie Ansätze des «Semi-/Unsupervised Learning» - vergleichbare Ergebnisse erzielen können - diese benötigen keine oder sehr wenige Messdaten von elektrischen Verbrauchen. Damit soll der Einsatz von NILM im Alltag von Unternehmen und Privaten gefördert werden.
Gelingt es aus den NILM-Aufzeichnungen aufzuschlüsseln, wie viel Energie einzelne Stromkonsumenten verbrauchen, können diversere neue Anwendungen und Optimierungen realisiert werden. Beispiele hierfür sind unter anderem Steigerung der Energieeffizienz in Haushalten und in der Industrie, vorausschauende Wartung (Predictive Maintenance), bedarfsgerechte Reinigungszyklen und Anwendungen im Pflegebereich (Activities of Daily Living).
