In der Studie kamen unterschiedliche Verfahren des maschinellen Lernens zum Einsatz. | © Salzburg Research/Shutterstock
Mit dem rasanten Ausbau von Photovoltaik auf Haushaltsebene steigt der Bedarf an präzisen Vorhersagen der Stromerzeugung. Für Netzbetrieb, Energiegemeinschaften und Flexibilitätsmanagement wird es immer wichtiger, Erzeugung und Verbrauch verlässlich zu planen, um Netze stabil zu betreiben. Gleichzeitig zählen haushaltsspezifische Energiedaten zu den sensibelsten Informationen und unterliegen strengen Datenschutzvorgaben.
Eine aktuelle Studie von Salzburg Research und der Paris Lodron Universität Salzburg zeigt, wie sich dieser Zielkonflikt entschärfen lässt. Verglichen wurden klassische, zentral trainierte KI-Modelle mit föderierten, edge-basierten Lernansätzen. Die Ergebnisse wurden auf der renommierten IEEE-Konferenz „Innovative Smart Grid Technologies Europe 2025“ vorgestellt.
Föderiertes Lernen statt zentraler Datensammlung
Beim föderierten Lernen werden keine Rohdaten an eine zentrale Stelle übertragen. Stattdessen trainieren lokale Systeme ihre Modelle direkt im Haushalt oder an lokalen Gateways. Lediglich anonymisierte Modell-Updates werden zusammengeführt. Die sensiblen Messdaten verbleiben vollständig vor Ort, wodurch die Datenhoheit der Haushalte gewahrt bleibt.
Das Forschungsteam untersuchte diesen Ansatz systematisch und stellte ihn klassischen Prognoseverfahren gegenüber, die auf einer vollständigen Aggregation aller Daten basieren.
Vergleich der KI-Modelle
In der Studie kamen unterschiedliche Verfahren des maschinellen Lernens zum Einsatz, darunter baumbasierte Ensemble-Modelle sowie tiefe neuronale Netze. Grundlage bildeten reale Photovoltaik- und Wetterdaten, die für mehrere Prosumer-Haushalte nachgebildet wurden. Bewertet wurden die Modelle hinsichtlich Prognosegenauigkeit, Rechenaufwand und Eignung für datenschutzfreundliche Anwendungen.
Zentrale Modelle lieferten zwar die höchste Genauigkeit, erforderten jedoch eine vollständige Sammlung sensibler Daten. Föderierte Modelle erreichten eine nahezu vergleichbare Prognosequalität, insbesondere bei einer größeren Anzahl teilnehmender Haushalte.
Datenschutzfreundlich und leistungsfähig
Als besonders robuster Kompromiss erwies sich ein baumbasiertes Verfahren, das sogenannte Histogram Gradient Boosting. Es bietet eine hohe Prognosequalität bei moderatem Rechenaufwand und erfüllt gleichzeitig hohe Datenschutzanforderungen. Tiefe neuronale Netze erzielten in kleineren Föderationen ebenfalls gute Ergebnisse, waren jedoch deutlich ressourcenintensiver.
Besonders vielversprechend ist laut Studie ein föderierter Ansatz mit rund einem Dutzend beteiligter Haushalte. In dieser Konstellation lassen sich gute Prognoseleistungen bei gleichzeitig hohem Datenschutzniveau erzielen.
„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.
Relevanz für Energiegemeinschaften und Netze
Die Ergebnisse sind insbesondere für Anwendungen relevant, bei denen viele Akteure zusammenarbeiten, etwa in Energiegemeinschaften, bei lokalen Flexibilitätsmärkten oder in der prosumer-orientierten Netzsteuerung. Präzisere Prognosen helfen, Lastspitzen abzufedern, lokale Erzeugung besser zu nutzen und Flexibilitäten wie zeitversetztes Laden oder energieintensive Tätigkeiten intelligenter zu planen – ohne sensible Haushaltsdaten zentral zu erfassen.
Datenschutzfreundliche KI als Baustein der Energiewende
Die Studie unterstreicht das Potenzial föderierter KI-Ansätze als wichtigen Baustein für die Energiewende. Sie eröffnen neue Möglichkeiten für den Einsatz von KI dort, wo Datenschutz bislang eine zentrale Hürde darstellte, etwa bei Verteilnetzbetreibern oder in lokalen Energiegemeinschaften. Unterstützt wurde die Arbeit durch das Projekt „Excellence in Digital Sciences and Interdisciplinary Technologies (EXDIGIT)“ des Land Salzburg.