Forschende von Salzburg Research und der Universität Salzburg haben untersucht, wie sich die Stromerzeugung aus Photovoltaik präzise vorhersagen lässt, ohne dass sensible Haushaltsdaten zentral gesammelt werden müssen. Ein Vergleich klassischer zentraler KI-Modelle mit sogenannten föderierten Lernansätzen, bei denen die Daten in den Haushalten verbleiben, zeigte, dass sich die Prognosequalität kaum unterscheidet. »Die Ergebnisse zeigen, dass datenschutzfreundliche Prognosen mit nahezu gleicher Qualität möglich sind«, teilt Salzburg Research mit.
Im Gegensatz zu klassischen, zentralen Prognoseansätzen werden beim föderierten Lernen keine Rohdaten übertragen. Stattdessen trainieren lokale Systeme ihre Modelle dezentral »am Rand des Netzes«, beispielsweise direkt im Haushalt oder bei lokalen Gateways. Anschließend werden lediglich anonymisierte Modell-Updates an eine zentrale Stelle gesendet, 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. Die Modelle wurden anhand ihrer Prognosegenauigkeit, ihres Rechenaufwands und ihrer Eignung für datenschutzfreundliche Anwendungen bewertet.
Die Ergebnisse zeigen: Zentrale Modelle liefern zwar die höchste Genauigkeit, setzen jedoch eine vollständige Datenaggregation voraus. Föderierte Modelle erreichen eine nahezu vergleichbare Prognosequalität, insbesondere bei einer größeren Anzahl teilnehmender Haushalte. Als besonders robuster Kompromiss aus Genauigkeit, Rechenaufwand und Datenschutz erweist sich ein baumbasiertes Verfahren (Histogram Gradient Boosting).
»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.
© PHOTON
