Unterstützung für die Energiewende durch flexible Stromtarife
Mit fortschreitendem Ausbau der erneuerbaren Energien steigt auch deren Anteil am Strommix. Vor allem Windkraft und Solarenergie spielen eine zentrale Rolle. Beide Energieträger sind jedoch stark wetterabhängig. Dadurch schwankt die Energieerzeugung von Windkraftanlagen und Solarzellen nahezu kontinuierlich.
Um die Produktion von und die Nachfrage nach elektrischer Energie im Gleichgewicht zu halten, werden Verfahren zur Flexibilisierung der Nachfrage eingesetzt: Demand Side Flexiblity (DSF) und Demand Side Management (DSM). DSF beschreibt den zeitlich flexiblen Verbrauch von Energie, wie zum Beispiel das Laden eines E-Autos über Nacht. Wann genau wie viel geladen wird, kann flexibel gestaltet werden, wenn das Ziel ist, dass das Auto bis zu einem bestimmten Zeitpunkt geladen ist. DSM hingegen bezeichnet die Optimierung der DSF mit dem Ziel, eine gewisse Kenngröße zu optimieren. Dazu gehört beispielsweise die Minimierung der Energiekosten oder netzdienliches Verhalten.
Solche Strom-Flexibilitäten werden in Industrie und Gewerbe schon erfolgreich genutzt. Mit der Einführung von §41a des Energiewirtschaftsgesetzes hat der Gesetzgeber die Energieversorger dazu verpflichtet, flexible Tarife auch für private Haushalte anzubieten. Damit aber private Haushalte die flexiblen Tarife auch optimal nutzen und einen signifikanten Beitrag zur Energiewende leisten können, müssen drei Voraussetzungen erfüllt sein:
- Der individuelle Energiebedarf innerhalb eines Tages muss genau bekannt sein. Die aktuelle zeitliche Auflösung (eine Zählerstandablesung pro Jahr) reicht dafür nicht aus.
- Energiebedarfe müssen antizipiert und für die nahe Zukunft, beispielsweise für die Dauer eines Waschmaschinenprogramms, vorausgesagt werden, um Energieflüsse optimieren zu können.
- Es muss ein Messverfahren entwickelt werden, das den Energiebedarf eines Microgrids (geschlossenes System, Haushalt) von einem zentralen Punkt aus (Hausanschluss) hinreichend genau analysieren und durchdringen kann, ohne viele Messpunkte im System zu installieren und dadurch die Praktikabilität und Wirtschaftlichkeit zu gefährden.
FlexEnergy4U: Flexible Stromtarife auch in Privathaushalten sinnvoll nutzen
Das IMPT – Institut für Mikroproduktionstechnik der Leibniz Universität Hannover und die Firma Ladon Energy GmbH setzen mit dem Kooperationsprojekt FlexEnergy4U genau dort an. Das Projekt verfolgt das Ziel, die Flexibilität privater Haushalte im Energiemarkt so zu optimieren, dass die Energiekosten gesenkt werden und gleichzeitig ein Beitrag zur Energiewende geleistet wird. Um das zu erreichen, wird das Ziel in mehrere Teilziele unterteilt:
- Eine Visualisierung des Energieflusses in Echtzeit: Der Energiefluss (positiv wie negativ) soll über ein einfaches Dashboard online verfügbar sein (siehe Abbildung 1).
- Die Aufnahme von Lastgängen einzelner Verbraucher mit hoher Auflösung: Diese Daten werden für das Training von KI-Modellen verwendet.
- Mit den trainierten Modellen wird der Gesamtverbrauch eines Haushaltes auf einzelne Geräte aufgeschlüsselt.
- Anhand der historischen bekannten Verbrauchsdaten wird eine Prognose für den Energieverbrauch in der nahen Zukunft erstellt.
- Die Verbrauchsprognose für einen späteren Einsatz mit Home Energy Management Systemen (HEMS) verfügbar machen. Die Verbrauchsprognose kann ebenfalls Netzbetreibern Einblicke über den Verbrauch in ihren Teilnetzen geben, um die Regelung dort effizienter zu gestalten.
Das Einsparungspotential für private Haushalte wird im Rahmen einer BCG-Studie von November 2025 auf bis zu 450 € pro Jahr eingeschätzt. Die Ersparnis könnte in Zukunft sogar noch weiter steigen.
Die Forschenden erheben die Energieverbräuche im Haushalt…
Im Forschungsprojekt ist geplant, nur einen Sensor pro Haushalt zu verwenden, statt jedes Gerät mit einem Sensor auszustatten – denn letzteres wäre aufwändig und unwirtschaftlich (siehe Abbildung 2). Dafür wird geeignete Messtechnik benötigt, die von der Ladon Energy GmbH entwickelt und gebaut wird. Es wird zwischen zwei Messystemen unterschieden. Der Sensor (siehe Abbildung 3) ist in der Lage, alle drei Phasen eines üblichen Hausanschlusses zu vermessen. Dabei werden Strom und Spannung je Phase mit 20 kHz abgetastet. Der Sensor lässt sich per Hutschienenmontage im Sicherungskasten verbauen. Um die Energiesignatur eines einzelnen Gerätes zu erfassen, wurde der Plug entwickelt, welcher als Zwischenstecker ausgeführt ist. Er lässt sich ähnlich wie eine Funksteckdose vor dem Verbraucher anschließen und misst statt drei nur eine Phase, ebenfalls mit 20 kHz Abtastrate.
Mit einem Set aus einem Sensor und mehreren Plugs werden Messdaten für einzelne Verbraucher erhoben. Die Daten der Plugs dienen als Trainingsdaten für die KI-Modelle. Aufgrund der hohen Datenmenge ist es wichtig, eine sinnvolle Verarbeitung und Strukturierung der Daten vorzunehmen, um die zu übertragenden Datenmengen zu reduzieren. Am Ende soll das KI-Modell direkt auf dem Sensor laufen, um hohe Datenströme zu vermeiden und nur die relevanten Informationen zu Verbrauch und Prognose weiterzuleiten.
… und trainieren mit den Messdaten eine KI
Mit den Messdaten der Plugs und Sensoren bauen die Forschenden eine Gerätedatenbank auf, mit welcher dann die KI-Modelle trainiert werden. Die Datenbank wird nach Gerätetyp kategorisiert, da sich einzelne Modelle verschiedener Hersteller nur geringfügig von der Energiesignatur unterscheiden. Beispielsweise sieht man bei einem Kühlschrank immer einen hohen Peak beim Verbrauch, wenn der Motor des Kompressors anläuft. Anschließend ist die Stromaufnahme für einen gewissen Zeitraum konstant, bevor der Kühlvorgang durch Erreichen der Zieltemperatur endet (siehe Abbildung 4). Die Gerätedatenbank wird kontinuierlich erweitert und ausgebaut.
Mit dem Fertigstellen der ersten Version der Gerätedatenbank beginnt im Forschungsprojekt aktuell die Phase des Trainierens der KI-Modelle. Aufgrund der hohen Datenmengen werden die Daten der Sensoren und Plugs in einem proprietären Datenformat gespeichert. Für das Training werden diese zunächst in ein anderes Datenformat umgewandelt. Derzeit wird noch erforscht, welches Datenformat sich am besten eignet. Nach der Umwandlung werden die Daten mithilfe eines Rechenclusters der Universität zum Trainieren von KI-Modellen verwendet. Im ersten Schritt werden neuronale Netze untersucht, die sich gut für Zeitreihen eignen. Die Daten der Sensoren dienen dabei als Testmöglichkeit, um zu überprüfen, ob die Modelle einzelne Gerätesignaturen aus dem Gesamtverbrauch heraustrennen können (siehe Abbildung 5).
Nach dem Training ist die nächste Herausforderung im Projekt, die Modelle auf dem Sensor laufen zu lassen und anschließend Echtzeitdaten zu verarbeiten und für Energiemanagementsysteme bereitzustellen.
