Verbundvorhaben: DiAnEE - Digitaler Analyst für die nachhaltige Energienutzung und Energiekostensenkung bei Industrie- und Gewerbekunden; Teilvorhaben: Umsetzung von Machine Learning Methodiken für synthetische Lastprofile in einer stabilen Backendstruktur und Nutzergewinnung für Tests und Weiterentwicklung
Zeitraum
2020-02-01 – 2022-07-31
Bewilligte Summe
314.888,00 EUR
Ausführende Stelle
Förderkennzeichen
03EI6022B
Leistungsplansystematik
Digitalisierung der Energiewende [EB1830]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESI6)
Förderprogramm
Energie
Die fortschreitende Digitalisierung eröffnet neue Möglichkeiten zur Erhöhung von Transparenz bei Energieanwendern und Energieexperten, zur Reduktion von Umsetzungsbarrieren nachhaltiger Energienutzung sowie zur Energiekostensenkung. Dies erfordert jedoch die Zusammenarbeit in transdisziplinären Verbünden, um energiewirtschaftliche, informationstechnische und anwenderspezifische Aspekte bestmöglich zu verbinden. Das DiAnEE-Konsortium schlägt in diesem Kontext vor, einen innovativen Ansatz zu erforschen und prototyphaft umzusetzen, der sowohl die Transparenz für Experten und Energieanwender erhöht, als auch Einstiegsbarrieren für eine nachhaltige Energienutzung in Industrie und Gewerbe senkt: ein Digitaler Analyst (kurz DigAn), d. h. ein webbasierter 'Eigenverbrauchs- und Flexibilitätsrechners' für Gewerbe- und Industrieunternehmen. Konkretes Forschungs- und Entwicklungsziel des Vorhabens ist die Erstellung des Prototyps eines webbasierten, lernenden Tools mit adaptiver Benutzerführung und eLearning-Aspekten. Es soll somit eine Daten- und Analyseplattform geschaffen werden, die eine bessere empirische Fundierung von industriellen und gewerblichen Energieanalysen ermöglicht und zugleich den Nutzern größtmögliche Transparenz und Kontrollmöglichkeiten hinsichtlich der Nutzung ihrer Daten bietet. Weiterhin ist mit Zustimmung der Nutzer denkbar (teil-)anonymisierte Lastgänge zu veröffentlichen, um so die globale energiedatenbasierte Forschung zu unterstützen. In Abstimmung mit den Partnern adressiert dieses Teilprojekt die Konzeption der Backendarchitektur, die dem Frontend, JACK und dem EWL Zugriff auf die relevanten Daten gewährt. Weiterhin sollen synthetische Lastprofile durch Methoden des Machine Learnings generiert werden, die auf denen von realen (Test-)Usern basieren, welche durch den Antragsteller gewonnen werden sollen.
Weitere Informationen