Datengestützter Ansatz zur Prognose und Visualisierung von Nutzerverhalten

Dieses Vorhaben entwirft ein datengesteuertes Verfahren, um Muster im Nutzerverhalten zu entdecken, die Nachfrage unter bestimmten Bedingungen vorherzusagen und die relevanten Einflussfaktoren für den Energieverbrauch in Wohngebäuden zu identifizieren. Damit unsere Modelle transparent sind, wenden wir visuelle Analytik und erklärbare künstliche Intelligenz an, die deutlich zeigen, wie die Modelle Entscheidungen treffen.

Das Vorhaben zielt darauf ab, die nachfolgenden Forschungsfragen in einer Fallstudie zu (intelligenten) Gebäuden und der Energienachfrage darin zu beantworten:

• Welche Nutzerverhaltensmuster ändern sich mit der Zeit?
• Welche Unterschiede bei Nutzerverhalten gibt es zwischen verschiedenen Ländern/Regionen?
• Welche Arten von Nutzerverhaltensgruppen gibt es?
• Mit welchen datengesteuerten Methoden lässt sich der Energiebedarf auf Basis des Nutzerverhaltens vorhersagen?
• Welche (indirekten) Einflussfaktoren wirken auf den Nutzerenergiebedarf?
• Welche Rolle spielen technische und soziale Innovationen (zum Beispiel Demand-Response-Anlagen, Photovoltaik, Elektrofahrzeuge, innovative Tarifstrategien) bei der Beeinflussung von Verhaltensmustern in Richtung langfristiger gesellschaftlicher Ziele, zum Beispiel für die Energiewende?

Zur Beantwortung dieser Forschungsfragen werden unstrukturierte Daten aus mehreren Quellen (zum Beispiel offene Fragen bei sozioökonomischen Umfragen, Social Media, Technologieberichte, Webseiten usw.) zusammen mit strukturierten Datensätzen (zum Beispiel Smart-Meter-Daten, strukturierten Antworten bei sozioökonomischen Umfragen, Klimadaten und anderen öffentlichen Datenbänken) eingeholt.

• Datenbank: Energieverbrauchsverhalten in Wohngebäuden
• Arbeitsablauf/Modell: Lastenprognose und Visualisierung von Nutzerverhalten
• Arbeitspapier: Erklärbares Tiefenwahrnehmungsmodell für die Energieverbrauchsprognose in Wohngebäuden mit Lernen über Nutzerprofile
• Masterarbeit: Analyse des Energiebedarfs von Nutzern in Wohngebäuden anhand von Smart-Meter-Daten