Der Bedarf, die Stromerzeugung aus Photovoltaik-Anlagen – auch aus kleinen, von Privatleuten betriebenen – möglichst genau vorherzusagen, nimmt beständig zu. Bei Prosumer-Haushalten gehört zu solchen Prognosen auch der zu erwartende Stromverbrauch. Das Abfedern von Lastspitzen, die Nutzung lokaler Erzeugung und der Einsatz von Flexibilitäten kommen ohne möglichst exakte Vorab-Kalkulation nicht aus. Netzbetreiber, diverse Dienstleister, Erzeugungsgemeinschaften und etliche weitere Parteien sind hieran interessiert, und der Einsatz künstlicher Intelligenz ist dabei inzwischen eher der Normal- als der Ausnahmefall. KI-Modelle aber funktionieren umso besser, je mehr Daten sie zum „Lernen“ bekommen. Die zentrale Sammlung und Verarbeitung solcher Daten aus Privathaushalten – und ebenso aus Betrieben und Unternehmen – ist im Hinblick auf den Datenschutz aber zumindest nicht unproblematisch.
Eine Forschungsgruppe von Salzburg Research und der Paris Lodron Universität Salzburg hat in diesem Zusammenhang nun verschiedene KI-Modelle und die mit ihnen erreichbaren Resultate verglichen: einerseits klassische zentrale Modelle, andererseits sogenannte föderierte, Edge-basierte Lernansätze, bei denen die Daten in den Haushalten verbleiben. „Die Ergebnisse zeigen“, heißt es in einer Mitteilung von Salzburg Research, „dass datenschutzfreundliche Prognosen mit nahezu gleicher Qualität möglich sind.“
Anders als bei zentralen Prognoseansätzen werden demnach beim föderierten Lernen keine Rohdaten übertragen. Vielmehr trainieren lokal organisierte KI-Systeme ihre Modelle dezentral „am Rand des Netzes“ (Edge-basiert). Möglich ist dies direkt in einem Haushalt oder an lokalen Gateways. Es werden nur anonymisierte Modell-Updates an eine zentrale Stelle gesandt und dort zusammengeführt, private Messdaten verlassen die Haushalte nicht.
Dieser Ansatz wurde von der Forschungsgruppe mit herkömmlichen, zentral trainierten Modellen verglichen. Hierfür wurden „mehrere gängige Verfahren aus dem Bereich des maschinellen Lernens getestet“. Auf Grundlage realer Photovoltaik- und Wetterdaten wurden Verfahren wie baumbasierte Ensemble-Modelle oder tiefe neuronale Netze verglichen. Bewertet wurden Prognosegenauigkeit, Rechenaufwand und die Eignung der verschiedenen Modelle für datenschutzfreundliche Anwendungen.
Zentrale Modelle liefern den Angaben zufolge zwar die genauesten Resultate, aber sie setzen eben vollständige Datenaggregation voraus. Die Prognosequalität föderierter Modelle sei hingegen nahezu gleich hoch, vor allem wenn eine größere Anzahl von Haushalten teilnimmt. Ein „Histogram Gradient Boosting“, also ein baumbasiertes Verfahren, erweise sich als „besonders robuster Kompromiss aus Genauigkeit, Rechenaufwand und Datenschutz“. Tiefe neuronale Netze wiederum könnten zwar in kleinen Föderationen sehr gute Ergebnisse erzielen, seien aber deutlich ressourcenintensiver.
Als „besonders vielversprechend“ hat die Studie einen föderierten Ansatz mit rund einem Dutzend Haushalten identifiziert: Hierbei sei „eine gute Prognoseleistung bei gleichzeitig hohem Datenschutz und moderatem Trainingsaufwand“ möglich. „Unsere Ergebnisse zeigen, dass datenschutzfreundliche Prognosemodelle nicht zwangsläufig an Genauigkeit verlieren – insbesondere dann, wenn mehrere Haushalte gemeinsam in einer Föderation lernen“, so Narges Mehran, Erstautorin der Studie und Forscherin bei Salzburg Research.
Vor allem für Anwendungen mit vielen Beteiligten, wie etwa Energiegemeinschaften, lokale Flexibilitätsmärkte oder Prosumer-orientierte Netzsteuerung seien die Resultate der Forschungsgruppe interessant. Föderiertes Lernen eröffne „neue Möglichkeiten, um Photovotaik-Prognosen auch dort einzusetzen, wo Datenschutz bislang eine Hürde darstellte“.
Dieser Inhalt ist urheberrechtlich geschützt und darf nicht kopiert werden. Wenn Sie mit uns kooperieren und Inhalte von uns teilweise nutzen wollen, nehmen Sie bitte Kontakt auf: redaktion@pv-magazine.com.
Mit dem Absenden dieses Formulars stimmen Sie zu, dass das pv magazine Ihre Daten für die Veröffentlichung Ihres Kommentars verwendet.
Ihre persönlichen Daten werden nur zum Zwecke der Spam-Filterung an Dritte weitergegeben oder wenn dies für die technische Wartung der Website notwendig ist. Eine darüber hinausgehende Weitergabe an Dritte findet nicht statt, es sei denn, dies ist aufgrund anwendbarer Datenschutzbestimmungen gerechtfertigt oder ist die pv magazine gesetzlich dazu verpflichtet.
Sie können diese Einwilligung jederzeit mit Wirkung für die Zukunft widerrufen. In diesem Fall werden Ihre personenbezogenen Daten unverzüglich gelöscht. Andernfalls werden Ihre Daten gelöscht, wenn das pv magazine Ihre Anfrage bearbeitet oder der Zweck der Datenspeicherung erfüllt ist.
Weitere Informationen zum Datenschutz finden Sie in unserer Datenschutzerklärung.