Vorhersage und Steuerung des Stromverbrauchs in London-

Eine Data Mining Studie zur Trendanalyse und Vorhersage

Alexander Schwarz, cand. M.Sc. Informatik

im VTF Data- und Text Mining, 2018, Prof. A. Müller

Beschreibung der Daten

Stromverbrauchsmessungen für eine Stichprobe von 5.567 Londoner Haushalten, die am Low Carbon London Projekt von UK Power Networks, zwischen November 2011 und Februar 2014 teilgenommen haben. Ca. 167 Mio. Datensätze aufgeteilt auf 168 Dateien.

Halbstündliche Messung des Stromverbrauchs in kWh von ca. 5500 Haushalten. 1100 Haushalte nutzten, während des gesamten Kalenderjahres 2013, ein variables (Time of Use) Preismodell. Die Tarifpreise wurden einen Tag im Voraus über das Smart Meter, oder per SMS an das Mobiltelefon übermittelt. Die Kunden erhielten hohe (67,20p/kWh), niedrige (3,99p/kWh) oder normale (11,76p/kWh) Preissignale und die entsprechenden Tageszeiten.
Die restlichen 4400 Haushalte hatten einen Festpreistarif von 14,23 p/kWh.

Alle Haushalte wurden in die entsprechenden CACI-Acorn-Gruppen Affluent Achievers, Rising Prosperity, Comfortable Communities, Financially Stretched und Urban Adversity eingeteilt. Acorn ist eine Verbraucherklassifikation, die die britische Bevölkerung, anhand von demographischen Daten, sozialen Faktoren, Bevölkerungs- und Verbraucherverhalten in verschiedene Gruppen einteilt.

Zusätzlich zu den Haushaltsdaten, sind noch die Wetterdaten (Temperatur, gefühlte Temperatur, Luftdruck, Luftfeuchtigkeit, etc.) in einem stündlichen Intervall über den gesamten Zeitraum verfügbar.

Quellen:

https://data.london.gov.uk/dataset/smartmeter-energy-use-data-in-london-households

https://acorn.caci.co.uk/downloads/Acorn-User-guide.pdf

https://www.kaggle.com/jeanmidev/smart-meters-in-london/data

https://darksky.net/dev

Beispieldaten

Stromverbrauch:

Haushaltsinformationen:

Tarifinformationen:

Ziele der Studie

1. Für einen Stromerzeuger soll der Stromverbrauch verschiedener Verbrauchergruppen in London, unter Berücksichtigung saisonaler Einflüsse (Wetter, Feiertage, Wochentage), für verschiedene Zeiträume (monatlich, wöchentlich, täglich) vorhergesagt werden.
2. Untersuchen bei welchen Verbrauchergruppen der Stromverbrauch, mithilfe eines variablen Preismodells gesteuert werden kann, um die Genauigkeit der Vorhersagen zu erhöhen. Dies dient dazu, Über- bzw. Unterproduktionen besser ausgleichen zu können und den Verbrauchern einen passenden Stromtarif vorschlagen zu können. In diesem Zusammenhang sollen die folgenden Annahmen bestätigt oder widerlegt werden:
   • Wohlhabende Personen lassen sich weniger durch die verschiedenen Preise beeinflussen als Ärmere.
   • Anfangs liegt eine hohe Begeisterung vor, Geld durch die variablen Strompreise zu sparen, die aber über längere Zeit aufgrund der Bequemlichkeit wieder nachlässt.

Datenvorbereitung

• Einzelne Dateien zu einer Gesamtdatei zusammenfügen
• Datensätze, aus den Zeiträumen bei denen noch nicht alle Haushalte mit einem Smart Meter ausgestattet sind, entfernen
• Haushaltsinformationen korrigieren. Hier sind nicht alle Acorn-Gruppen den richtigen Acorn-Klassen zugeteilt (z.B. ist ACORN-D der Gruppe Affluent Achiever zugeordnet, müsste aber in Rising Prosperity sein)
• Stromverbrauchsdaten je Haushalt um die jeweilige Verbrauchergruppe und das Preismodell erweitern
• Haushalte mit variablem Preismodell von denen mit Festpreismodell trennen
• Bei den Halbstündlichen Datensätzen beim variablen Preismodell, den Tarif (niedrig, mittel, hoch) hinzufügen
• Optional Binning des Stromverbrauchs (Äquidistante Breite der Bins)

Lösungsansatz

1.    Vorhersage des Stromverbrauchs (Nur Festpreismodell)

• Haushalte nach durchschnittlichem Stromverbrauch in Cluster einteilen (k-Means) und untersuchen, ob diese mit den verschiedenen Verbrauchergruppen (Acorn) korrelieren.
• Untersuchen ob der Stromverbrauch mit den vorliegenden Wetterbedingungen korreliert, um saisonale Einflüsse zu erkennen (erwartet wird, dass bei höheren Temperaturen der Stromverbrauch sinkt).
• Untersuchen, ob es signifikante Unterschiede im Stromverbrauch zwischen den verschiedenen Verbrauchergruppen gibt (erwartet wird, dass reichere Gruppen mehr Strom verbrauchen, als die Armeren).
• Kurven mit Least-Squares-Methode annähern
• Vorhersage des Stromverbrauchs der Verbrauchergruppen, unter Berücksichtigung der vorliegenden Wetterbedingungen (Temperatur), mit einem Linearen-Regressions-Modell (oder neuronalen Netz).

2.    Vorhersagegenauigkeit erhöhen (Variables Preismodell)

• Vergleichen, ob der Gesamtstromverbrauch bei den verschiedenen Verbrauchergruppen durch das variable Preismodell gegenüber dem Festpreismodell beeinflusst wird.
• Analysieren wie sich das Verbraucherverhalten durch das variable Preismodell ändert. Also, ob die Verbraucher Geräte, die viel Strom verbrauchen und nicht sofort benötigt werden, z.B. Waschmaschine, Geschirrspüler, usw., in den Zeiträumen nutzen, in denen der Preis pro kWh niedrig ist.
• Untersuchen, welche Verbrauchergruppen ihr Verhalten über den gesamten Zeitraum anpassen, bzw. ob es Gruppen gibt, die wieder in ihre normalen Verhaltensweisen zurückfallen.
• Erweitern des Vorhersagemodells, um den aktuell vorliegenden Tarif des variablen Preismodells vorherzusagen. (Optional: Wechsel zu neuronalem Netz als Vorhersagemodell).

Kontakt

Alexander Schwarz, B.Sc.

Master Informatik, 2.Semester

Data- und Textmining