Die effiziente Vorhersage von Stromerzeugung aus Photovoltaik-Anlagen stellt eine bedeutende Herausforderung dar, insbesondere wenn es darum geht, die sensiblen Daten der Haushalte zu schützen. Ein Forschungsteam von Salzburg Research und der Universität Salzburg hat kürzlich innovative Ansätze untersucht, um diese Problematik zu lösen. Die Studie, die auf der prestigeträchtigen IEEE-Konferenz „Innovative Smart Grid Technologies Europe 2025“ präsentiert wurde, beleuchtet die Vorteile von föderierten, edge-basierten Lernmethoden im Vergleich zu traditionellen, zentralen KI-Modellen.
Die Nutzung von Photovoltaik nimmt stetig zu, insbesondere in privaten Haushalten. Damit wächst auch die Notwendigkeit, die oft stark schwankende Energieproduktion präzise vorherzusagen. Diese Vorhersagen sind entscheidend für das Management von Stromnetzen, die Organisation von Energiegemeinschaften und die Optimierung des Verbrauchs. Allerdings sind die spezifischen Energiedaten der Haushalte sehr sensibel und unterliegen strengen Datenschutzbestimmungen, was eine zentrale Datensammlung problematisch macht.
Um diesen Zielkonflikt zu lösen, haben die Forscher die Methode des föderierten Lernens entwickelt. Anstatt Rohdaten an zentrale Server zu übermitteln, werden die Modelle lokal an den Endgeräten – wie Haushalten oder lokalen Gateways – trainiert. Nur anonymisierte Updates der Modelle werden zur zentralen Stelle gesendet, wo sie aggregiert werden. Diese Herangehensweise garantiert, dass die privaten Messdaten der Nutzer vor Ort bleiben und somit der Datenschutz gewahrt bleibt.
Im Rahmen der Studie wurden verschiedene maschinelle Lernverfahren evaluiert, darunter baumbasierte Ensemble-Modelle und tiefe neuronale Netze. Die Forscher nutzten reale Daten zu Photovoltaik und Wetter, um die Leistungsfähigkeit der Modelle zu testen. Die Bewertung erfolgte hinsichtlich der Prognosegenauigkeit, des Rechenaufwands und der Eignung für datenschutzfreundliche Anwendungen.
Die Ergebnisse der Studie zeigen, dass zentrale Modelle zwar die höchste Genauigkeit bieten, jedoch eine vollständige Datenaggregation erfordern. Im Gegensatz dazu erreichen föderierte Modelle eine vergleichbare Genauigkeit, insbesondere wenn eine größere Anzahl von Haushalten beteiligt ist. Besonders herausragend war ein baumbasiertes Verfahren (Histogram Gradient Boosting), das sich als robuster Kompromiss in Bezug auf Genauigkeit, Rechenaufwand und Datenschutz erwies. Tiefe neuronale Netze erzielen in kleineren föderierten Gruppen ebenfalls gute Ergebnisse, sind jedoch deutlich rechenintensiver.
Ein föderierter Ansatz, der etwa zehn Haushalte einbezieht, zeigt sich als besonders vielversprechend. Er ermöglicht eine prägnante Prognoseleistung, während der Datenschutz und der Trainingsaufwand auf einem moderaten Niveau bleiben. Narges Mehran, Erstautorin der Studie, betont: „Unsere Ergebnisse belegen, dass Datenschutzfreundlichkeit nicht zwangsläufig auf Kosten der Vorhersagegenauigkeit geht – insbesondere wenn mehrere Haushalte in einer Föderation zusammenarbeiten.“
Die Bedeutung dieser Forschungsergebnisse erstreckt sich über die individuelle Haushaltsprognose hinaus. Sie sind besonders relevant für Anwendungen, in denen mehrere Akteure zusammenarbeiten müssen, wie etwa in Energiegemeinschaften, lokalen Flexibilitätsmärkten oder bei der prosumer-orientierten Netzsteuerung. Verbesserte Vorhersagen tragen dazu bei, Lastspitzen abzufedern, die lokale Energieerzeugung effizienter zu nutzen und flexible Verbrauchsstrategien, wie zeitversetztes Laden von Elektrofahrzeugen, besser zu planen – ohne dass sensible Haushaltsdaten zentral erfasst werden müssen.
Insgesamt verdeutlicht die Studie, dass datenschutzfreundliche KI-Lösungen einen entscheidenden Beitrag zur Energiewende leisten können. Das föderierte Lernen eröffnet neue Perspektiven für die Anwendung von Photovoltaik-Prognosen, insbesondere in Bereichen, wo Datenschutz bisher eine bedeutende Barriere darstellte. Unterstützt wurde die Forschung durch das Projekt „Excellence in Digital Sciences and Interdisciplinary Technologies (EXDIGIT)” des Landes Salzburg, welches zur Förderung innovativer wissenschaftlicher Ansätze beiträgt.
