Skip to main content
SpringerLink
Log in

Clusteranalyse von Smart-Meter-Daten

Eine praxisorientierte Umsetzung

Cluster Analysis of Smart Metering Data

An Implementation in Practice

  • Aufsatz
  • Published:
WIRTSCHAFTSINFORMATIK

Zusammenfassung

Die Einführung der Smart-Meter-Technologie stellt die Energiewirtschaft in Deutschland vor große Herausforderungen. Neben hohen Investitionen in die Zähler- und Kommunikationsinfrastruktur ist auch die Neugestaltung vieler Geschäftsprozesse erforderlich. Da die neu entstehenden Kosten nur begrenzt an Endkunden übertragbar sind, gilt es die Aufwendungen der Energiewirtschaft durch neue Dienste und verbesserte Prozesse auf Basis von Smart Metering zu kompensieren. So ist durch die Clusteranalyse der detaillierteren Verbrauchsdaten eine deutlich feinere Kundensegmentierung auf Basis des zeitlichen Verbrauchsverhaltens möglich. Im Rahmen eines Smart-Metering-Projektes bei einem regionalen Energieversorger wurde eine Clusteranalyse für die real vorliegenden Kundenverbrauchsdaten entwickelt und in eine Business-Intelligence-Umgebung integriert. In diesem Beitrag beschreiben und evaluieren wir dieses Artefakt im Sinne der Design Science. Wir gehen dabei insbesondere auf die Ergebnisse der Clusteranalyse von Realdaten und den möglichen Einsatz zur segmentspezifischen Tarifgestaltung ein.

Abstract

The introduction of smart meter technology is a great challenge for the German energy industry. It requires not only large investments in the communication and metering infrastructure, but also a redesign of traditional business processes. The newly incurring costs cannot be fully passed on to the end customers. One option to counterbalance these expenses is to exploit the newly generated smart metering data for the creation of new services and improved processes. For instance, performing a cluster analysis of smart metering data focused on the customers’ time-based consumption behavior allows for a detailed customer segmentation. In the article we present a cluster analysis performed on real-world consumption data from a smart meter project conducted by a German regional utilities company. We show how to integrate a cluster analysis approach into a business intelligence environment and evaluate this artifact as defined by design science. We discuss the results of the cluster analysis and highlight options to apply them to segment-specific tariff design.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5

Notes

  1. Die Energy4U GmbH ist ein IT-Dienstleister für SAP-Lösungen in der Versorgungsbranche (http://www.energy4u.org).

  2. Die Allgäuer Überlandwerke sind ein regionaler Energieversorger mit Sitz in Kempten (http://www.auew.de).

  3. Die Ergebnisse verschiedener internationaler Smart-Meter-Projekte werden u. a. von Darby (2006) sowie Burgess und Nye (2008) zusammengefasst.

  4. Um die Größe der Datenobjekte zu begrenzen, wurde für die Wochenszenarien das Zeitintervall der Analyse auf zwei Stunden vergrößert. Entsprechend sind die repräsentativen Lastprofile in diesem Fall in 2 h-Abschnitte unterteilt.

  5. Darüber hinaus wurden als zusätzliche Bewertungsverfahren der Silhouette-Index (Rousseeuw 1987) sowie der Index von Dunn (1974) eingesetzt.

Literatur

  • BNetzA (2010) Bericht der Bundesnetzagentur zum Zähl- und Messwesen im Auftrag des Bundesministerium für Wirtschaft und Technologie. Wettbewerbliche Entwicklungen und Handlungsoptionen im Bereich Zähl- und Messwesen und bei variablen Tarifen

  • Beringer J (2008) Online-Data-Mining auf Datenströmen: methoden zur Clusteranalyse und Klassifikation. VDM, Saarbrücken

    Google Scholar 

  • Bissantz N, Hagedorn J (2009) Data mining (Datenmustererkennung). WIRTSCHAFTSINFORMATIK 51(1):139–144

    Article  Google Scholar 

  • Burgess J, Nye M (2008) Re-materializing energy use through transparent monitoring systems. Energy Policy 36(12):4454–4459

    Article  Google Scholar 

  • Chicco G, Napoli R, Postolache P, Scutariu M, Toader C (2003) Customer characterization options for improving the tariff offer. IEEE Transactions on Power Systems 18(1):381–387

    Article  Google Scholar 

  • Cody W, Kreulen J, Krishna V, Spangler W (2010) The integration of business intelligence and knowledge management. IBM Systems Journal 41(4):697–713

    Article  Google Scholar 

  • Davies D, Bouldin D (1979) A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence 1(2):224–227

    Article  Google Scholar 

  • Darby S (2006) The effectiveness of feedback on energy consumption – a review for DEFRA of the literature on metering, billing and direct displays. Environmental Change Institute, University of Oxford

    Google Scholar 

  • Dunn JC (1974) Well-separated clusters and optimal fuzzy partitions. Cybernetics and Systems 4(1):95–104

    Article  Google Scholar 

  • Eckel C (1985) A general model of customer-class pricing. Economics Letters 17(3):285–289

    Article  Google Scholar 

  • Espinoza M, Joye C, Belmans R, DeMoor B (2005) Short-term load forecasting, profile identification, and customer segmentation: a methodology based on periodic time series. IEEE Transactions on Power Systems 20(3):1622–1630

    Article  Google Scholar 

  • Faruqui A (2010) The ethics of dynamic pricing. The Electricity Journal 23(6):13–27

    Article  Google Scholar 

  • Faruqui A, Harris D, Hledik R (2010) Unlocking the €53 billion savings from smart meters in the EU: how increasing the adoption of dynamic tariffs could make or break the EU’s smart grid investment. Energy Policy 38(10):6222–6231

    Article  Google Scholar 

  • Fayyad U, Piatetsky-Shapiro G, Smyth P, Uthurusamy R (1996) Advances in knowledge discovery and data mining. AAAI Press/MIT Press, Menlo Park/Cambridge

    Google Scholar 

  • Figueiredo V, Rodrigues F, Vale Z, Gouveia J (2005) An electric energy consumer characterization framework based on data mining techniques. IEEE Transactions on Power Systems 20(2):596–602

    Article  Google Scholar 

  • Han J, Kamber M (2006) Data mining: concepts and techniques. Morgan Kaufmann, San Francisco

    Google Scholar 

  • Hevner A, March S, Park J, Ram S (2004) Design science in information systems research. MIS Quarterly 28(1):75–105

    Google Scholar 

  • Jagstaidt UCC, Kossahl J, Kolbe LM (2011) Smart metering information management. WIRTSCHAFTSINFORMATIK 53(5):313–317

    Article  Google Scholar 

  • Kemper H, Baars H (2006) Business Intelligence und Competitive Intelligence. HMD – Praxis der Wirtschaftsinformatik 43(247):7–20

    Google Scholar 

  • Kemper H, Mehanna W, Unger C (2004) Business Intelligence. Grundlagen und praktische Anwendungen. Eine Einführung in die IT-basierte Managementunterstützung. Vieweg, Wiesbaden

    Google Scholar 

  • Keshav S, Rosenberg C (2011) How internet concepts and technologies can help green and smarten the electrical grid. ACM SIGCOMM Computer Communication Review 41(1):109–114

    Article  Google Scholar 

  • Kurgan La, Musilek P (2006) A survey of knowledge discovery and data mining process models. The Knowledge Engineering Review 21(1):1–24

    Article  Google Scholar 

  • Müller K (2010) Gewinnung von Verhaltensprofilen am intelligenten Stromzähler. Datenschutz und Datensicherheit – DuD 34(6):359–364

    Article  Google Scholar 

  • Nabe C, Beyer C, Brodersen N, Schäffler H, Adam D, Heinemann C, Tusch T, Eder J, de Wyl C, Vom Wege J, Mühe, S (2009) Ökonomische und technische Aspekte eines flächendeckenden Rollouts intelligenter Zähler, Ecofys im Auftrag der Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen

  • Newsham G, Bowker B (2010) The effect of utility time-varying pricing and load control strategies on residential summer peak electricity use: a review. Energy Policy 38(7):3289–3296

    Article  Google Scholar 

  • Parmesano H (2007) Rate design is the No 1 energy efficiency tool. The Electricity Journal 20(6):18–25

    Article  Google Scholar 

  • Pitt BD, Kitschen DS (1999) Application of data mining techniques to load profiling. In: Proc 21st IEEE international conference on power industry computer applications (PICA ’99), S 131–135

    Google Scholar 

  • Ramos C, Liu CC (2011) AI in power systems and energy markets. IEEE Intelligent Systems 26(2):5–8

    Article  Google Scholar 

  • Ramos S, Vale Z (2008) Data mining techniques to support the classification of MV electricity customers. In: IEEE power and energy society general meeting – conversion and delivery of electrical energy in the 21st century, S 1–7

    Chapter  Google Scholar 

  • Räsänen T, Kolehmainen M (2009) Feature-based clustering for electricity use time series data. In: Proc adaptive and natural computing algorithms, S 401–412

    Chapter  Google Scholar 

  • Rodrigues F, Duarte J, Figueiredo V, Vale Z, Cordeiro M (2003) A comparative analysis of clustering algorithms applied to load profiling. In: Proc of MLDM 2003, Leipzig, Germany, S 73–85

    Google Scholar 

  • Rousseeuw P (1987) Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20(11):53–65

    Article  Google Scholar 

  • Shearer C (2000) The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing 5(4):13–22

    Google Scholar 

  • Stephenson P, Lungu I, Paun M, Silvas I, Tupu G (2001) Tariff development for consumer groups in internal European electricity markets. In: Electricity Distribution, 2001. Part 1: Contributions. CIRED. 16th international conference and exhibition on electricity distribution (IEE Conf Publ No 482). IET

    Google Scholar 

  • Strauch B, Winter R (2002) Vorgehensmodell für die Informationsbedarfsanalyse im Data Warehousing. In: Maur E, Winter R (Hrsg) Vom Data Warehouse zum Corporate Knowledge Center. Physica, Heidelberg, S 359–378

    Chapter  Google Scholar 

  • Troxel C (1938) Class prices for gas and electricity. The American Economic Review 28(2):275–289

    Google Scholar 

  • Vercellis C (2009) Business intelligence: data mining and optimization for decision making. Wiley, New York

    Google Scholar 

Download references

Danksagung

Wir möchten uns insbesondere bei Florian Schlüfter (Energy4U GmbH) und Stefan Mayer (Allgäuer Überlandwerke) für die sehr gute Zusammenarbeit und Unterstützung sowie die Bereitstellung der Daten bedanken.

Author information

Authors and Affiliations

  1. Forschungszentrum Informatik, Haid-und-Neu-Str. 10–14, 76131, Karlsruhe, Deutschland

    Christoph Flath,  David Nicolay,  Tobias Conte,  Clemens van Dinther &  Lilia Filipova-Neumann

Authors
  1. Christoph Flath
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. David Nicolay
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Tobias Conte
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Clemens van Dinther
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Lilia Filipova-Neumann
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Christoph Flath.

Additional information

Angenommen nach zwei Überarbeitungen durch Prof. Dr. Terzidis.

This article is also available in English via http://www.springerlink.com and http://www.bise-journal.org: Flath C, Nicolay D, Conte T, van Dinther C, Filipova-Neumann L (2011) Cluster Analysis of Smart Metering Data. An Implementation in Practice. Bus Inf Syst Eng. doi: 10.1007/s12599-011-0201-5.

Rights and permissions

Reprints and permissions

About this article

Cite this article

Flath, C., Nicolay, D., Conte, T. et al. Clusteranalyse von Smart-Meter-Daten. Wirtschaftsinf 54, 33–42 (2012). https://doi.org/10.1007/s11576-011-0309-8

Download citation

  • Received:

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s11576-011-0309-8

Schlüsselwörter

Keywords

Search

Navigation