Advertisement

WIRTSCHAFTSINFORMATIK

, Volume 54, Issue 1, pp 33–42 | Cite as

Clusteranalyse von Smart-Meter-Daten

Eine praxisorientierte Umsetzung
  • Christoph Flath
  • David Nicolay
  • Tobias Conte
  • Clemens van Dinther
  • Lilia Filipova-Neumann
Aufsatz

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.

Schlüsselwörter

Smart Metering Energiewirtschaft Data-Mining Business Intelligence Kundensegmentierung Tarifgestaltung 

Cluster Analysis of Smart Metering Data

An Implementation in Practice

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.

Keywords

Smart metering Energy industry Data mining Business intelligence Customer segmentation Tariff design 

Notes

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.

Literatur

  1. 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 Google Scholar
  2. Beringer J (2008) Online-Data-Mining auf Datenströmen: methoden zur Clusteranalyse und Klassifikation. VDM, Saarbrücken Google Scholar
  3. Bissantz N, Hagedorn J (2009) Data mining (Datenmustererkennung). WIRTSCHAFTSINFORMATIK 51(1):139–144 CrossRefGoogle Scholar
  4. Burgess J, Nye M (2008) Re-materializing energy use through transparent monitoring systems. Energy Policy 36(12):4454–4459 CrossRefGoogle Scholar
  5. 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 CrossRefGoogle Scholar
  6. Cody W, Kreulen J, Krishna V, Spangler W (2010) The integration of business intelligence and knowledge management. IBM Systems Journal 41(4):697–713 CrossRefGoogle Scholar
  7. Davies D, Bouldin D (1979) A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence 1(2):224–227 CrossRefGoogle Scholar
  8. 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
  9. Dunn JC (1974) Well-separated clusters and optimal fuzzy partitions. Cybernetics and Systems 4(1):95–104 CrossRefGoogle Scholar
  10. Eckel C (1985) A general model of customer-class pricing. Economics Letters 17(3):285–289 CrossRefGoogle Scholar
  11. 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 CrossRefGoogle Scholar
  12. Faruqui A (2010) The ethics of dynamic pricing. The Electricity Journal 23(6):13–27 CrossRefGoogle Scholar
  13. 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 CrossRefGoogle Scholar
  14. 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
  15. 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 CrossRefGoogle Scholar
  16. Han J, Kamber M (2006) Data mining: concepts and techniques. Morgan Kaufmann, San Francisco Google Scholar
  17. Hevner A, March S, Park J, Ram S (2004) Design science in information systems research. MIS Quarterly 28(1):75–105 Google Scholar
  18. Jagstaidt UCC, Kossahl J, Kolbe LM (2011) Smart metering information management. WIRTSCHAFTSINFORMATIK 53(5):313–317 CrossRefGoogle Scholar
  19. Kemper H, Baars H (2006) Business Intelligence und Competitive Intelligence. HMD – Praxis der Wirtschaftsinformatik 43(247):7–20 Google Scholar
  20. Kemper H, Mehanna W, Unger C (2004) Business Intelligence. Grundlagen und praktische Anwendungen. Eine Einführung in die IT-basierte Managementunterstützung. Vieweg, Wiesbaden Google Scholar
  21. 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 CrossRefGoogle Scholar
  22. Kurgan La, Musilek P (2006) A survey of knowledge discovery and data mining process models. The Knowledge Engineering Review 21(1):1–24 CrossRefGoogle Scholar
  23. Müller K (2010) Gewinnung von Verhaltensprofilen am intelligenten Stromzähler. Datenschutz und Datensicherheit – DuD 34(6):359–364 CrossRefGoogle Scholar
  24. 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 Google Scholar
  25. 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 CrossRefGoogle Scholar
  26. Parmesano H (2007) Rate design is the No 1 energy efficiency tool. The Electricity Journal 20(6):18–25 CrossRefGoogle Scholar
  27. 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
  28. Ramos C, Liu CC (2011) AI in power systems and energy markets. IEEE Intelligent Systems 26(2):5–8 CrossRefGoogle Scholar
  29. 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 CrossRefGoogle Scholar
  30. Räsänen T, Kolehmainen M (2009) Feature-based clustering for electricity use time series data. In: Proc adaptive and natural computing algorithms, S 401–412 CrossRefGoogle Scholar
  31. 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
  32. 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 CrossRefGoogle Scholar
  33. Shearer C (2000) The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing 5(4):13–22 Google Scholar
  34. 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
  35. 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 CrossRefGoogle Scholar
  36. Troxel C (1938) Class prices for gas and electricity. The American Economic Review 28(2):275–289 Google Scholar
  37. Vercellis C (2009) Business intelligence: data mining and optimization for decision making. Wiley, New York Google Scholar

Copyright information

© Gabler Verlag 2012

Authors and Affiliations

  • Christoph Flath
    • 1
  • David Nicolay
    • 1
  • Tobias Conte
    • 1
  • Clemens van Dinther
    • 1
  • Lilia Filipova-Neumann
    • 1
  1. 1.Forschungszentrum InformatikKarlsruheDeutschland

Personalised recommendations