Der Ausbau von Photovoltaik-Anlagen auf Haushaltsebene schreitet rasch voran. Damit steigen auch die Anforderungen an zuverlässige Prognosen der Stromerzeugung – etwa für den stabilen Netzbetrieb, Energiegemeinschaften oder das Flexibilitätsmanagement. Gleichzeitig gelten Energiedaten aus Haushalten als besonders sensibel und unterliegen strengen Datenschutzvorgaben. Ein Forschungsteam von Salzburg Research/Intelligent Connectivity und der Paris Lodron Universität Salzburg zeigt nun, dass sich dieser Zielkonflikt mithilfe föderierter KI-Modelle deutlich entschärfen lässt.

In einer aktuellen Studie verglichen unsere Kolleginnen und Kollegen klassische, zentral trainierte Prognosemodelle mit föderierten, edge-basierten Lernansätzen. Während bei zentralen Modellen alle Daten an einem Ort gesammelt werden, verbleiben beim föderierten Lernen die Messdaten direkt in den Haushalten oder an lokalen Gateways. Lediglich anonymisierte Modell-Updates werden ausgetauscht und zentral zusammengeführt. Die Ergebnisse der Studie wurden auf der renommierten IEEE-Konferenz Innovative Smart Grid Technologies Europe 2025 präsentiert.

Lernen am Netzrand statt zentraler Datensammlung

Im Rahmen der Untersuchung wurden mehrere gängige Verfahren des maschinellen Lernens analysiert, darunter baumbasierte Ensemble-Modelle und tiefe neuronale Netze. Als Datengrundlage dienten realitätsnahe Photovoltaik- und Wetterdaten, die für mehrere Prosumer-Haushalte nachgebildet wurden. Bewertet wurden Prognosegenauigkeit, Rechenaufwand sowie die Eignung für datenschutzfreundliche Anwendungen.

Die Ergebnisse zeigen: Zwar erreichen zentral trainierte Modelle die höchste Genauigkeit, sie erfordern jedoch eine vollständige Aggregation sensibler Haushaltsdaten. Föderierte Modelle liefern hingegen eine nahezu vergleichbare Prognosequalität – insbesondere dann, wenn mehrere Haushalte gemeinsam in einer Föderation lernen.

Robuster Kompromiss aus Genauigkeit und Datenschutz

Als besonders geeignet erwies sich ein baumbasiertes Verfahren, das sogenannte Histogram Gradient Boosting. Es bietet einen robusten Kompromiss aus Prognosegüte, Rechenaufwand und Datenschutz. Tiefe neuronale Netze können zwar ebenfalls sehr gute Ergebnisse erzielen, sind jedoch deutlich ressourcenintensiver und vor allem in kleineren Föderationen weniger effizient.

Besonders vielversprechend ist laut Studie ein föderierter Ansatz mit etwa einem Dutzend beteiligter Haushalte: Er ermöglicht eine gute Vorhersageleistung bei gleichzeitig hohem Datenschutzniveau und moderatem Trainingsaufwand.

Relevanz für Energiegemeinschaften und Netze

Die Ergebnisse sind insbesondere für kooperative Anwendungsfälle relevant, etwa für Energiegemeinschaften, lokale Flexibilitätsmärkte oder eine prosumerorientierte Netzsteuerung. Präzisere Prognosen helfen dabei, Lastspitzen zu reduzieren, lokale Erzeugung besser zu nutzen und flexible Anwendungen – wie zeitversetztes Laden oder energieintensive Prozesse – intelligenter zu planen. All dies ist möglich, ohne sensible Haushaltsdaten zentral zu erfassen.

Die Studie unterstreicht damit die Bedeutung datenschutzfreundlicher KI-Lösungen als wichtigen Baustein der Energiewende. Föderiertes Lernen eröffnet neue Möglichkeiten für den Einsatz von Photovoltaik-Prognosen auch in jenen Bereichen, in denen Datenschutz bisher eine zentrale Hürde darstellte – etwa bei Verteilnetzbetreibenden oder in lokalen Energiegemeinschaften.

Die Arbeit wurde durch das Projekt „Excellence in Digital Sciences and Interdisciplinary Technologies (EXDIGIT)“ des Landes Salzburg gefördert.

Publikation: Narges Mehran; Peter Dorfinger; Nicola Leschke; Frank Pallas (2025): CF-PV: Centralized vs. Federated Edge-based Prediction Models for PV Energy Production In: 2025 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT Europe).