ServicenavigationHauptnavigationTrailKarteikarten


Research unit
SFOE
Project number
SI/501561
Project title
SmartNIALMeter – Smarte Lastaufschlüsselung mit Smart-Meter

Texts for this project

 GermanFrenchItalianEnglish
Key words
Anzeigen
-
-
-
Short description
Anzeigen
-
-
-
Schlussbericht
Anzeigen
Anzeigen
-
Anzeigen

Inserted texts


CategoryText
Key words
(German)
Smart Meter, NIALMS, Datenauswertung, Cloud, Lastauswertung
Short description
(German)

Die Autoren verschiedener Studien weisen ein Potential zur Energieeinsparung nach, wenn den Menschen der Energieverbrauch möglichst unmittelbar und detailliert angezeigt wird. Ziel dieses Projekts ist es, in einer zweijährigen Studie das Einsparpotential an elektrischer Energie zu prüfen, wenn der Energieverbrauch aufgeschlüsselt nach einigen wichtigen Geräten aufgezeigt wird. Dazu wenden wir die Methoden des non-intrusive appliance load monitoring (NIALM) an.

Die Projektpartner Energie Thun und EKZ stellen im Rahmen ihrer Smart-Meter-Rollouts Testhaushalte für ein Pilotprojekt. NIALM-Algorithmen werten die Daten aus, welche die CII-Schnittstelle aus den Smart-Metern von Landis+Gyr ausgibt. Die Hochschule Luzern und das Bits to Energy Lab adaptieren bekannte NIALM-Algorithmen, die Validierung erfolgt mit Sub-Metern von smart-me. Das BFE unterstützt das Projekt finanziell.

Schlussbericht
(German)
Ziel des Projektes SmartNIALMeter war es, auf der Basis von Smartmeter Daten und unter Einbezug moderner NIALM-basierten Verbrauchsanalysen (NIALM = non-intrusive appliance load monitoring) den Energieverbrauch nach wichtigen Geräten aufzuschlüsseln, dem Benutzer dies anzuzeigen und damit abzuklären, ob sich daraus eine Verhaltensänderung und damit ein Einsparpotential an elektrischer Energie ergibt. Dazu war es notwendig umfangreiche Messungen und Datenaufzeichnungen von Smartmeter Daten sowie elektrischen Verbrauchern durchzuführen. In einem Pilotbetrieb wurden in 24 Haushalten die Daten aufgezeichnet und mit Machine Learning Algorithmen Lastaufschlüsselungen (NIALM) durchgeführt. Ebenfalls wurde das Benutzerverhalten analysiert. Eine wesentliche Erkenntnis des Projekts ist es, dass die implementierten und getesteten Algorithmen zur Lastaufschlüsselung nicht die Genauigkeit erreichen konnten, die für einen kommerziell verwertbaren Einsatz notwendig wären. Prinzipiell kann davon ausgegangen werden, dass eine massentaugliche Anwendung von präzisen und auf viele Geräte ausgerichtete NIALM-Verfahren für die kommenden fünf Jahre in Haushalten nicht zu erwarten ist. Hingegen dürften NIALM basierende Anwendungen, die sich auf die Erkennung weniger (oder sogar einzelner) großer Verbraucher beschränken, einfacher zu realisieren sein. Beispiele grosser Verbraucher sind Elektroautos, Wärmepumpen oder Boiler. Dazu zeigt eine wachsende Anzahl von Veröffentlichungen zu NIALMAlgorithmen vielversprechende neue Ansätze. Weiterhin konnten aus den Kundenumfragen die Erkenntnisse gewonnen werden, dass Ansätze wie ein Verbrauchs-Feedback dazu beitragen können, Hürden bezüglich Beratungsleistungen für Optimierungsmassnahmen abzubauen und insgesamt ein erhebliches Interesse sowie eine gute Zahlungsbereitschaft für datenbasierte Energiedienstleistungen besteht. Des Weiteren sollte beim Aufbau und Betrieb von Installationen und einer Infrastruktur für Datenaufzeichnungen beachtet werden, dass diese mit zahlreichen Herausforderungen behaftet sind und enorm zeitaufwendig sein können.
Related documents
Schlussbericht
(English)
The aim of the SmartNIALMeter project was to break down energy consumption by important appliances on the basis of smart meter data and with the help of modern NIALM-based consumption analyses (NIALM = non-intrusive appliance load monitoring), to indicate this to the user and to clarify whether this results in a change in behaviour and thus a potential for saving electrical energy. For this purpose, it was necessary to carry out extensive measurements and data recordings of smart meter data and electrical consumers. In a pilot operation the data was recorded in 24 households and load disaggregation (NIALM) were carried out using machine learning algorithms. User behaviour was also analysed. A major finding of the project is that the implemented and tested algorithms for load disaggregation could not achieve the accuracy required for commercial use. In principle, it can be assumed that a mass application of precise NIALM procedures, which are geared to many devices, is not to be expected in households for the next five years. On the other hand, NIALM-based applications, which are limited to the detection of a few (or even individual) large consumers, should be easier to implement. Examples of large consumers are electric cars, heat pumps or boilers. A growing number of publications on NIALM algorithms show promising new approaches. Furthermore, the customer surveys have shown that approaches such as consumption feedback can help to reduce barriers to consulting services for optimisation measures and that there is considerable interest and willingness to pay for data-based energy services. Furthermore, when setting up and operating installations and an infrastructure for data recording, it should be borne in mind that these are fraught with numerous challenges and can be extremely time-consuming.
Schlussbericht
(French)
L'objectif du projet SmartNIALMeter était d’estimer si le comportement des utilisateurs pouvait être influencé — et mener à une baisse de la consommation d’énergie — lorsque ces derniers ont accès de manière simple à la consommation de chacun de ses appareils. Pour que la ventilation des consommations selon le type d’appareil puisse être implémenté à bas coûts dans les ménages, l’objectif était de désagréger la consommation des appareils sur la base des données directement issues des compteurs intelligents à l'aide de méthodes d'analyses modernes basées sur le NIALM (NIALM = non-intrusive appliance load monitoring). L’enregistrement de nombreuses mesures de la consommation électrique des différents appareils ainsi que de données issues des compteurs intelligents ont été ainsi nécessaires : dans le cadre du projet pilote, les données de 24 ménages ont été enregistrées et la séparation des postes de consommations a été effectuée à l'aide des algorithmes NIALM. Le comportement des utilisateurs a également été étudié. L'une des principales conclusions du projet est que les algorithmes mis en oeuvre et testés pour la désagrégation des postes de consommation ne pouvaient pas atteindre la précision requise pour une utilisation commerciale. Au vu des difficultés rencontrées, notamment à cause des signatures variées des différents appareils rendant la reconnaissance d’un nombre large d’appareils très compliqué ainsi que du manque de précision observé, il est estimé qu'une application massive de méthodes NIALM dans les ménages est peu probable au cours des cinq prochaines années. Néanmoins, les applications basées sur le NIALM qui se limitent à la détection de quelques gros consommateurs (ou même d'un seul) devraient être plus faciles à mettre en oeuvre. Les voitures électriques, les pompes à chaleur ou les chaudières sont des exemples de tels gros consommateurs. De nouvelles approches prometteuses utilisant les algorithmes NIALM de cette manière sont décrites dans un nombre croissant de publications scientifiques. En outre, des sondages menés auprès des clients ont montré que des approches telles que le retour d'information sur la consommation peuvent contribuer à lever les obstacles aux services de conseil pour les mesures d'optimisation et qu'il existe un intérêt et une volonté non négligeable de payer pour des services énergétiques basés sur l’utilisation de leurs données. Pour finir, il convient de garder à l'esprit que la mise en place d'une infrastructure d'enregistrement des données d’appareils électriques et l’analyse de ces données présentent de nombreux défis et peuvent prendre un temps considérable.