⚡ electrical engineering

Data Scarcity in Gas Load Profiling: Generalized Proxy-Guided Load and Temporal Disaggregation

Dieses Paper führt ein verallgemeinertes, Proxy-gestütztes Framework zur Last- und zeitlichen Disaggregation ein, das die starke Datenknappheit bei der Gaslastprofilierung überwindet, indem es niederfrequente Versorgungsdaten durch einen vierstufigen Prozess in hochauflösende thermische Profile transformiert, welcher an Mehrfamilienhäusern validiert wurde.

Ursprüngliche Autoren: Lucas Krome, Mahtab Aboufazeli, Soosan Beheshti, Bala Venkatesh

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Lucas Krome, Mahtab Aboufazeli, Soosan Beheshti, Bala Venkatesh

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen genau herauszufinden, wie viel Erdgas ein Gebäude jede Stunde verbraucht, um seine Räume und sein Wasser zu erwärmen. Sie möchten diese Daten nutzen, um bessere, grünere Heizsysteme zu entwerfen. Aber hier liegt das Problem: Das Versorgungsunternehmen schickt Ihnen nur einmal im Monat eine Rechnung. Es ist, als würde man versuchen, die exakte Geschwindigkeit eines Autos in jeder Sekunde einer Fahrt zu erraten, aber man kennt nur die gesamte zurückgelegte Strecke und die verstrichene Zeit.

Dieses Paper stellt einen cleveren „mathematischen Detektiv“-Rahmen vor, um dieses Rätsel zu lösen. Die Autoren nennen ihn das Generalized Proxy-Guided Load and Temporal Disaggregation Framework. So funktioniert es, unterteilt in einfache Schritte:

Das Kernproblem: Die „vernebelte“ Rechnung

Die meisten Gebäude haben nur eine monatliche Gasrechnung (niedrige Auflösung), aber keinen stündlichen Gasmesser. Oh ohne stündliche Daten kann man nicht unterscheiden, wann Menschen Warmwasser nutzen und wann die Heizung läuft, um das Haus zu wärmen. Standardmäßige Computerprogramme, die aus Daten lernen (KI), benötigen normalerweise riesige Mengen an detaillierten Daten, um zu funktionieren – diese Daten fehlen bei diesen Gebäuden jedoch.

Die Lösung: Elektrizität als „Schatten“ nutzen

Die Forscher erkannten, dass sie zwar keine stündlichen Gasdaten haben, aber sehr wohl stündliche Elektrizitätsdaten besitzen. Sie entschieden sich, Elektrizität als Proxy (einen Stellvertreter oder Schatten) zu verwenden, um den Gasverbrauch zu erraten.

Man kann es sich so vorstellen: Wenn man sieht, wie sich ein Schatten in einem bestimmten Muster bewegt, kann man darauf schließen, wie die Person, die den Schatten wirft, sich bewegt, selbst wenn man die Person nicht direkt sehen kann.

Der vierstufige Detektivprozess

1. Den Schatten säubern (Wetter-Normalisierung)
Der Stromverbrauch hängt nicht nur davon ab, ob Menschen zu Hause sind; auch das Wetter spielt eine Rolle. Wenn es heiß ist, schalten die Leute die Klimaanlage ein, was den Stromverbrauch in die Höhe treibt, aber nichts mit Gas oder Warmwasser zu tun hat.

Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Flüstern in einem lauten Raum zu hören. Das „Rauschen“ ist die anspringende Klimaanlage. Die Forscher nutzten einen mathematischen Filter, um das wetterbedingte Rauschen zu „stummzuschalten“. Sie entfernten die Teile der Stromrechnung, die durch die Kühlung verursacht wurden, und hinterließen ein sauberes „Verhaltenssignal“, das zeigt, wann Menschen tatsächlich Licht und Geräte nutzen. Dieses saubere Signal wird zu ihrem Occupancy Proxy (Belegungs-Stellvertreter).

2. Hinweise gruppieren (Unified Segmentation & Pooling)
Da die Daten spärlich sind (nur eine Gasrechnung pro Monat), ist der Blick auf nur ein einzelnes Gebäude so, als würde man versuchen, ein Puzzle mit nur drei Teilen zu lösen.

Die Analogie: Die Forscher sammelten Daten von 11 verschiedenen Gebäuden und behandelten sie wie ein einziges, riesiges Puzzle. Sie konzentrierten sich speziell auf die „Nicht-Heiz“-Monate (Sommer), in denen das Gas nur für Warmwasser verwendet wird. Durch das Zusammenführen (Pooling) der Daten aus allen 11 Gebäuden konnten sie ein klares Muster dafür erkennen, wie Menschen Warmwasser nutzen, selbst wenn die einzelnen Gebäude nur sehr wenige Daten lieferten.

3. Das Rezept anpassen (Lokale Kalibrierung)
Sob-fern sie das allgemeine Muster der Warmwassernutzung aus der Gruppe ermittelt hatten, mussten sie dieses auf jedes spezifische Gebäude abstimmen.

Die Analogie: Stellen Sie sich vor, ein Meisterkoch erstellt ein perfektes Suppenrezept für eine große Menge (das Gruppenmuster). Aber jede Küche hat etwas andere Töpfe und Herde. Die Forscher wendeten einen „Kalibrierungsfaktor“ an, um das Meisterrezept an jedes spezifische Gebäude anzupassen und sicherzustellen, dass die Mathematik der einzigartigen Realität des jeweiligen Gebäudes entspricht.

4. Die Rechnung aufteilen (Temporale Disaggregation)
Schließlich nahmen sie die gesamte monatliche Gasrechnung und teilten sie in zwei getrennte Ströme auf:

Der Warmwasser-Strom: Getrieben durch den „Verhaltensschatten“ (wann Menschen zu Hause sind und Geräte nutzen).
Der Heizungs-Strom: Getrieben durch das Wetter (wie kalt es draußen ist).
Sie verwendeten einen Optimierungsalgorithmus, um den gesamten monatlichen Gasbetrag auf jede einzelne Stunde des Monats zu verteilen, wobei sichergestellt wurde, dass die Summe exakt der Rechnung entspricht und der Logik folgt, wann Heizung und Warmwasser tatsächlich stattfinden.

Die Ergebnisse: Hat es funktioniert?

Das Team testete dies an 11 Apartmentgebäuden über 18 Monate hinweg.

Das Urteil: Die Methode war hochgradig genau. Als sie ihre rekonstruierten stündlichen Gasdaten mit den tatsächlichen monatlichen Gesamtrechnungen verglichen, war der Fehler sehr gering (durchschnittlich etwa 6,37 %).
Der „Schatten“-Test: Sie testeten ihre Methode auch an einem Datensatz, für den sie tatsächlich über hochauflösende Gasdaten verfügen (der AMPds-Datensatz). Selbst ohne die echten Gasdaten während des Trainings gesehen zu haben, erraten ihre „Schatten“-Methode die Muster von Heizung vs. Warmwasser mit einer Genauigkeit von etwa 10–11 % Fehler.

Das Fazament

Dieses Paper beweist, dass man keine teuren, invasiven Gaszähler in jedem Haus installieren muss, um detaillierte stündliche Daten zu erhalten. Indem man die vorhandenen Elektrizitätsdaten als „Verhaltensschatten“ nutzt und kluge Mathematik anwendet, um die Daten zu bereinigen und zu gruppieren, kann man ein hochwertiges, stündliches Bild des Gasverbrauchs rekonstruieren. Dies ermöglicht es Stadtplanern und Ingenieuren, bessere Dekarbonisierungsstrategien für bestehende Gebäude zu entwickeln, ohne neue Hardware zu benötigen.

Technisches Resümee: Generalisierte Proxy-gestützte Last- und Temporale Disaggregation

Problemstellung
Die Dekarbonisierung des Gebäudesektors, insbesondere durch die Elektrifizierung von Heizsystemen, wird durch einen kritischen Mangel an granularen thermischen Lastprofilen behindert. Während fortschrittliche Prognosemodelle (von tiefen neuronalen Netzen bis hin zu physikbasierten Werkzeugen wie EnergyPlus) hochauflösende Daten erfordern, sind solche Daten für bestehende Gebäudebestände selten verfügbar. Hochauflösende Gaszähler liegen außerhalb der Standardanforderungen von Versorgungsunternehmen, weshalb Forschern lediglich niederfrequente, unregelmäßige und spärliche monatliche Abrechnungsdaten zur Verfügung stehen. Konventionelle Ansätze des maschinellen Lernens sind in diesem Kontext unpraktikabel, während traditionelle Methoden der inversen Modellierung (z. B. Gradtag-Methoden) nicht über die notwendige intra-tägliche Auflösung für eine präzise Dimensionierung von Geräten und die Modellierung des stochastischen Nutzerverhaltens verfügen.

Methodik
Das vorliegende Paper schlägt das Framework der Generalisierten Proxy-gestützten Last- und Temporalen Disaggregation vor, einen vierstufigen Prozess, der darauf ausgelegt ist, hochauflösende (stündliche) Gasverbrauchsprofile aus niederfrequenten monatlichen Gasabrechnungen und elektrischen Stundendaten zu rekonstruieren. Die Methodik basiert auf der Zerlegung des gesamten Erdgasverbrauchs ( $G_{total}$ ) in zwei unterschiedliche physikalische Regime: Raumheizung ( $G_{heat}$ ) und Warmwasserbereitung ( $G_{dhw}$ ), wobei letztere als Grundlast des Systems dient, die durch stochastisches Nutzerverhalten gesteuert wird.

Das Framework operiert durch die folgenden sequenziellen Schritte:

Extraktion eines generalisierten Belegungs-Proxys mittels Wetternormalisierung:
Um die Verhaltenssignale aus den stündlichen Elektrizitätsdaten ( $E$ ) zu isolieren, wenden die Autoren eine multivariate Wetternormalisierung unter Verwendung eines multiplen linearen Regressionsrahmens (MLR) an. Dieser Schritt entfernt saisonale Kühl-Lasten (die durch Klimaanlagen konfundiert werden), indem die Elektrizität gegen meteorologische Variablen (Windgeschwindigkeit, Luftfeuchtigkeit, Cooling Degree Hours) und temporale Prioren regrediert wird. Das resultierende Belegungs-Proxy ( $E_N$ ) ist ein bereinigtes Verhaltenssignal, das die Beleuchtungs- und Geräteaktivität repräsentiert, abgeleitet durch das Nullsetzen der thermischen Komponenten im Regressionsmodell.
Einheitliche Segmentierung und normalisiertes Pooling:
Um die statistische Bedeutung geringer Einzeldatensätze zu adressieren, identifiziert das Framework „Nicht-Heizperioden“ (definiert als Monate, in denen die durchschnittlichen Heizgradstunden < 5 sind). Die Daten aus diesen Perioden werden aus 11 Mehrfamilienhäusern zusammengeführt (gepoolt). Um die Vergleichbarkeit zu gewährleisten, wird die Elektrizität nach der Grundfläche normiert und der Gasverbrauch nach dem spezifischen Volumen-zu-Fläche-Verhältnis ( $\phi$ ) des Gebäudes. Dies erzeugt einen einheitlichen Datensatz ( $D_{pool}$ ), der robuste Trends aufdeckt, die auf der Ebene einzelner Gebäude unsichtbar bleiben.
Einheitliche Schätzung der Grundlastparameter und lokale Kalibrierung:
Ein generalisiertes Modell der gewöhnlichen kleinsten Quadrate (OLS) wird auf dem gepoolten Datensatz trainiert, um eine globale Beziehung zwischen dem Belegungs-Proxy und dem Warmwasserverbrauch ( $G_{dhw}$ ) herzustellen. Um Gebäudestruktur-spezifische Variationen in der Effizienz der Geräte zu berücksichtigen, wird ein Schritt der Lokalen Kalibrierung angewendet. Ein skalarer Kalibrierungsfaktor ( $\kappa_i$ ) wird für jedes Gebäude abgeleitet, indem das Residuum zwischen der universellen Vorhersage und dem beobachteten Gasverbrauch während des repräsentativsten Nicht-Heizmonats des Gebäudes minimiert wird.
Komponentenweise temporale Disaggregation:
Die letzte Stufe rekonstruiert die stündlichen Profile für beide Komponenten mittels eines Dual-Stream-Optimierungsansatzes.
- Rekonstruktion der Grundlast: Gesteuert durch die elektrischen Proxy-Merkmale ( $X_{dhw}$ ), welche das Nutzerverhalten modellieren.
- Rekonstruktion der Heizung: Gesteuert durch meteorologische Merkmale ( $X_{heat}$ ), welche den thermodynamischen Bedarf modellieren.
  Ein Optimierungsalgorithmus minimiert den Fehler zwischen den aggregierten stündlichen Vorhersagen und den bekannten monatlichen Zielwerten, wodurch sichergestellt wird, dass die synthetisierten Profile die Energiemasse der ursprünglichen Monatsabrechnungen strikt konservieren und gleichzeitig spezifische temporale Dynamiken einhalten.

Hauptergebnisse
Das Framework wurde anhand zweier Datensätze validiert: eines 18-monatigen Betriebsdatensatzes aus 11 Mehrfamilienhäusern und des hochauflösenden Almanac of Minutely Power (AMPds) Datensatzes.

Effektivität des Proxys: Das wetternormalisierte Belegungs-Proxy ( $E_N$ ) zeigte eine mittlere Pearson-Korrelation von 0,74 mit dem Gasverbrauch in Nicht-Heizperioden, was eine signifikante Verbesserung gegenüber den Roh-Elektrizitätsdaten (mittleres $r = 0,28$ ) darstellt, was die erfolgreiche Isolierung von Verhaltenssignalen bestätigt.
Genauigkeit der Grundlast: Die Strategie des einheitlichen Poolings und der Kalibrierung erreichte einen mittleren prozentualen quadratischen Fehler (MSPE) von 8,58 % für die Grundlastperiode über das gesamte Portfolio hinweg.
Rekonstruktion der Gesamtlast: Der rekonstruierte Gesamtgasverbrauch ( $\hat{G}_{total}$ ) erreichte einen durchschnittlichen MSPE über das gesamte Portfolio von 6,37 % und einen normalisierten Wurzel-mittleren quadratischen Fehler (NRMSE) von 0,20. Das Modell bildete sowohl die hochfrequenten Grundlastschwankungen als auch die Heizspitzen ohne signifikanten zeitlichen Verzug erfolgreich ab.
Hochauflösende Validierung: Beim Test auf dem AMPds-Datensatz (Daten auf Minutenbasis) konnte das Framework die Heiz- und Grundlastkomponenten effektiv entkoppeln und lieferte komponentenweise MSPE-Werte von etwa 10–11 %, was die Robustheit selbst bei Intervallen auf Minutenebene demonstriert.

Bedeutung und Ansprüche
Das Paper behauptet, dass dieses Framework die Auflösungslücke zwischen niederfrequenten Versorgungsdaten und den hochpräzisen Trainingsdatensätzen, die für datengesteuerte Dekarbonisierungsmodelle erforderlich sind, effektiv schließt. Durch die Nutzung der stündlichen Elektrizität als dynamischen, nicht-invasiven Proxy für das Nutzerverhalten überwindet die Methode den Datenmangel, der typischerweise die Anwendung fortgeschrittener KI-Analysen bei Gebäudesanierungen verhindert.

Die Autoren positionieren das Framework als skalierbare Lösung zur Generierung granularer Trainingsdaten ohne die Notwendigkeit einer Unterzähler-Infrastruktur. Die Bedeutung liegt in der Fähigkeit, spärliche monatliche Abrechnungsdaten in zuverlässige, hochauflösende thermische Profile zu transformieren, was eine präzise Dimensionierung von Geräten und die Entwicklung nachhaltiger Elektrifizierungsstrategien für bestehende Gebäudebestände ermöglicht. Das Paper schließt mit der Feststellung, dass dieser Ansatz ein praktisches Werkzeug bietet, um die Elektrifizierung von Gebäuden zu beschleunigen und dabei die physikalische Konsistenz mit der Energieerhaltungsmasse zu wahren.