idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Wie lässt sich die Stromerzeugung aus Photovoltaik präzise vorhersagen, ohne sensible Haushaltsdaten zentral zu sammeln? Forschende von Salzburg Research und der Universität Salzburg verglichen klassische zentrale KI-Modelle mit föderierten, edge-basierten Lernansätzen, bei denen die Daten in den Haushalten verbleiben. Die Ergebnisse zeigen, dass datenschutzfreundliche Prognosen mit nahezu gleicher Qualität möglich sind.
Der Ausbau von Photovoltaik schreitet rasant voran – besonders auf Haushaltsebene. Für Netzbetrieb, Energiegemeinschaften und Flexibilitätsmanagement wird es dadurch immer wichtiger, die typischerweise stark schwankende PV-Stromerzeugung zuverlässig vorherzusagen, um Erzeugung und Verbrauch besser zu planen und Netze stabil zu betreiben. Aber haushaltsspezifische Energiedaten sind besonders sensibel und unterliegen strengen Datenschutz-Vorgaben. Ein aktuelles wissenschaftliches Paper von Salzburg Research und der Paris Lodron Universität Salzburg zeigt nun, wie sich dieser Zielkonflikt entschärfen lässt: mit föderiertem Lernen direkt am Netzrand („Edge“) statt zentraler Datensammlung. Die Ergebnisse wurden im Rahmen der renommierten IEEE-Konferenz „Innovative Smart Grid Technologies Europe 2025“ vorgestellt.
Lernen ohne Datenweitergabe
Im Gegensatz zu klassischen, zentralen Prognoseansätzen werden beim föderierten Lernen keine Rohdaten übertragen. Stattdessen trainieren lokale Systeme ihre Modelle dezentral „am Rand des Netzes“, z. B. direkt im Haushalt oder bei lokalen Gateways, und senden lediglich anonymisierte Modell-Updates an eine zentrale Stelle, wo diese zusammengeführt werden. Die privaten Messdaten verbleiben vollständig vor Ort. Das Forschungsteam untersuchte diesen Ansatz und verglich ihn systematisch mit herkömmlichen, zentral trainierten Modellen.
In der Studie wurden mehrere gängige Verfahren aus dem Bereich des maschinellen Lernens getestet – darunter baumbasierte Ensemble-Modelle sowie tiefe neuronale Netze. Grundlage bildeten reale PV- und Wetterdaten, die für mehrere Prosumer-Haushalte nachgebildet wurden. Bewertet wurden die Modelle anhand ihrer Prognosegenauigkeit, ihres Rechenaufwands und ihrer Eignung für datenschutzfreundliche Anwendungen.
Datenschutzfreundliche Alternative mit hoher Prognosequalität
Die Ergebnisse zeigen: Zentrale Modelle liefern zwar die höchste Genauigkeit, setzen jedoch eine vollständige Datenaggregation voraus. Föderierte Modelle erreichen nahezu vergleichbare Prognosequalität, insbesondere bei einer größeren Anzahl teilnehmender Haushalte. Ein baumbasiertes Verfahren (Histogram Gradient Boosting) erweist sich als besonders robuster Kompromiss aus Genauigkeit, Rechenaufwand und Datenschutz. Tiefe neuronale Netze können in kleinen Föderationen sehr gute Ergebnisse erzielen, sind jedoch deutlich ressourcenintensiver.
Besonders vielversprechend ist laut Studie ein föderierter Ansatz mit rund einem Dutzend Haushalten: Er ermöglicht eine gute Prognoseleistung bei gleichzeitig hohem Datenschutz und moderatem Trainingsaufwand.
„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.
Bedeutung für Energienetze und Energiegemeinschaften
Die Ergebnisse sind insbesondere für Anwendungen interessant, bei denen viele Beteiligte zusammenarbeiten sollen – etwa in Energiegemeinschaften, für lokale Flexibilitätsmärkte oder Prosumer-orientierte Netzsteuerung. Bessere Prognosen helfen dabei, Lastspitzen abzufedern, lokale Erzeugung effizienter zu nutzen und Flexibilitäten, beispielsweise zeitversetztes Laden oder energieintensive Tätigkeiten, intelligenter zu planen – ohne dafür sensible Haushaltsdaten zentral zu sammeln.
Die Ergebnisse unterstreichen, dass datenschutzfreundliche KI-Lösungen ein zentraler Baustein für die Energiewende sein können. Föderiertes Lernen eröffnet neue Möglichkeiten, um PV-Prognosen auch dort einzusetzen, wo Datenschutz bislang eine Hürde darstellte – etwa in Energiegemeinschaften, bei Verteilnetzbetreibenden oder in lokalen Flexibilitätsmärkten.
Die Arbeit wurde durch das Projekt „Excellence in Digital Sciences and Interdisciplinary Technologies (EXDIGIT)“ des Land Salzburg unterstützt (Grant-Nr. 20204-WISS/263/6-6022).
Narges Mehran (in English)
Salzburg Research Forschungsgesellschaft mbH
narges.mehran@salzburgresearch.at | +43.662.8044-6374
Peter Dorfinger
Salzburg Research Forschungsgesellschaft mbH
peter.dorfinger@salzburgresearch.at | +43.662.2288-452 | +43.664.8142015
Mehran, N.; Dorfinger, P.; Leschke, N.; Pallas, F. (2025). CF-PV: Centralized vs. Federated Edge-based Prediction Models for PV Energy Production. In: IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT Europe). DOI: 10.1109/ISGTEurope64741.2025.11305643
Datenschutz-freundliche Prognosen von PV-Erträgen mittels Künstlicher Intelligenz
Copyright: © Salzburg Research/Shutterstock
Criteria of this press release:
Journalists, all interested persons
Electrical engineering, Energy, Environment / ecology, Information technology
transregional, national
Research results
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
