Smart-Meter-Lastzerlegung (NILM) & personalisierte Energiespar-Hinweise

Haushalte und Standorte sehen nur eine Zahl: den Gesamtverbrauch. Non-Intrusive Load Monitoring (NILM) schätzt aus diesem einen Zählersignal, wie viel Energie Heizung, Wärmepumpe, E-Auto, Kühlschrank oder Standby-Lasten verbraucht haben. Versorger und Energie-Apps nutzen das Ergebnis, um Rechnungen zu erklären, Kundinnen und Kunden zu Einsparungen und dynamischen Tarifen zu beraten und ausfallende Geräte zu erkennen – zunehmend mit einem GenAI-Assistenten obendrauf, der die Zahlen in verständliche Ratschläge übersetzt.

Problem & Nutzen

• Heute: Kundinnen und Kunden erhalten eine Jahres- oder Monatssumme und wissen nicht, was sie treibt. Versorger bearbeiten Anrufe nach dem Muster „Warum ist meine Rechnung so hoch?“; Effizienzprogramme werden per Massenversand statt gezielt ausgespielt. Jedes Gerät einzeln zu messen ist teuer und aufdringlich.
• KI-Nutzen: ein reiner Software-„virtueller Unterzähler“ aus bereits erhobenen Daten. Er ermöglicht gezielte Angebote (Ersatz von Wärmepumpe oder Klimaanlage, Ladetarife für E-Autos), weniger Anrufe wegen hoher Rechnungen, Verhaltensänderung und Hinweise auf Gerätestörungen.
• Evidenz (vom Anbieter berichtet, ohne unabhängig genannte Methodik): Bidgely gibt auf seiner Website an, dass Einsätze bei Versorgern das Aufkommen von Anrufen wegen hoher Rechnungen um mehr als 50 % senkten und die Anmeldungen zum gesteuerten Laden von E-Autos verdoppelten [3]. Das EU-Projekt Eco-Bot (H2020, 2017-2021, koordiniert von RISA Sicherheitsanalysen, Berlin) kombinierte niedrig aufgelöste Smart-Meter-Daten, NILM und einen virtuellen Energieassistenten in B2B-, B2B2C- und B2C-Pilotprojekten in Deutschland, Spanien, Großbritannien, Griechenland, Polen und der Türkei [1].
• Markttreiber: Der Smart-Meter-Rollout nach dem deutschen MsbG [5] und Angebote dynamischer Tarife wie der 15-Minuten-Preistarif von Tibber, der einen Smart Meter voraussetzt [6], schaffen sowohl die Daten als auch den Beratungsbedarf.

Varianten

• Versorger-/Stadtwerke-Programm (B2B2C): Lastzerlegung über den gesamten Kundenstamm für Rechnungserklärung, Zielgruppenansprache im Marketing und Anmeldung zu Lastmanagement.
• Energie-App für Haushalte (B2C): App mit Geräteaufschlüsselung aus einem Zählerlesegerät (z. B. ein optisches Lesegerät an der Zählerschnittstelle) oder dem Portal des Messstellenbetreibers, plus Spartipps.
• Beratung zu dynamischen Tarifen und E-Auto/Wärmepumpe: flexible Lasten erkennen und die Verschiebung in günstige Stunden empfehlen; prüfen, ob die Verschiebung stattgefunden hat.
• Industrieller virtueller Unterzähler (zusammengeführter Kandidat): Energie auf Maschinen- oder Linienebene aus einem Einspeisezähler in Fabriken schätzen, als günstige Ergänzung zum Energiemonitoring nach ISO 50001; Verknüpfung mit PRED-006 und OPT-007.
• KMU / Gebäude: Läden, Büros, kleine Hotels: Aufteilung auf Klimatisierung, Kühlung und Beleuchtung.
• Gerätezustand: Abweichung der Zyklussignatur eines Kühlschranks oder einer Wärmepumpe als frühes Störungssignal.

So funktioniert es

1. Smart Meter / Zählerableser / MSB-Portal (15 min ... 1 s)
2. Bereinigung, Lückenfüllung, Resampling, Wetterdaten zuspielen
3. Zerlegungsmodell (Leistungsschätzung je Verwendungszweck oder je Gerät)
4. Kalibrierung mit Befragung / bekanntem Geräteinventar (optional)
5. Insight-Engine (Regeln + Ranking: größte Einsparung, Tarifpassung, Anomalien)
6. LLM-Schicht: Erklärung und Chat in der Sprache der Kundin bzw. des Kunden
7. App / E-Mail / Bildschirm für Callcenter-Agenten; Kunden-Feedbackschleife

• Lastzerlegung: Die klassische Aufgabe ist die Energieschätzung je Gerät aus der aggregierten Leistung. Die Ansätze reichen von Hidden-Markov-Modellen und Sparse Coding bis zu neuronalen Sequenzmodellen (seq2point, Denoising-Autoencoder, TCN, Transformer). Das NILMTK-Ökosystem setzt all diese um [2][7]. Die Genauigkeit hängt stark von der Abtastrate ab: Bei 1 Sekunde bis 1 Minute Auflösung lassen sich schaltende Geräte mit hoher Last erkennen; bei der 15-Minuten-Auflösung der meisten europäischen Smart Meter sind nur grobe Verwendungszwecke (Heizen/Kühlen, dauerhafte Grundlast, E-Auto-Laden) realistisch.
• LLM-Schicht: Das LLM zerlegt nicht; es erhält die strukturierten Ergebnisse und schreibt Erklärungen, gestützt auf die Zahlen (RAG/Tool-Aufrufe). Zahlen werden berechnet, nicht generiert.
• Mensch-in-der-Schleife (Human-in-the-Loop): Kundinnen und Kunden können Gerätebezeichnungen korrigieren („das ist meine Wärmepumpe“); Versorger prüfen Zielgruppenansprache und Formulierungen der Kampagnen.

Datenaufbereitung

Benötigte Daten: Smart-Meter-Lastgänge (idealerweise 1 Hz bis 15 Minuten Auflösung), Tarif- und Vertragsdaten, Gebäude- bzw. Standortstammdaten, Wetter- und Belegungskontext sowie für das Training einige gelabelte Messungen auf Geräteebene. Sie liegen typischerweise im Messdatenmanagementsystem, im Abrechnungssystem oder ERP, in einem Gateway oder Energiemanagement-Portal und bei einem KMU oft nur im Webportal des Lieferanten oder in monatlichen PDF-Rechnungen. Typische Lücken: grobe 15-Minuten-Auflösung (die Lastzerlegung ist dort schwach), fehlende Intervalle, Einheiten- und Zeitzonenfehler, keine Referenz-Labels, unklare Einwilligung der Kundschaft und verstreute Standortstammdaten.

Schritte: (1) Zähler und Datenquellen erfassen (PREP-001, PREP-002); (2) Daten per API, CSV oder über das Smart-Meter-Gateway aus den Portalen holen (PREP-005); (3) Papier- oder PDF-Rechnungen bei Bedarf umwandeln (PREP-006); (4) Zeitreihen bereinigen und neu abtasten, Lücken füllen, Zeitstempel angleichen (pandas, InfluxDB oder TimescaleDB); (5) Labels durch kurze Untermessungskampagnen erzeugen (PREP-018); (6) Kunden-IDs pseudonymisieren und Einwilligung prüfen (PREP-022, PREP-025). Etwa 30 bis 40 Prozent des Aufwands entfallen auf Datenarbeit; ein gekauftes Produkt verlagert den größten Teil davon zum Anbieter. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil Energiemonitoring- und Untermessungsprodukte zu KMU-Preisen existieren und der Prozess standardisiert ist.
• Unternehmen (Versorger, Energiedienstleister): Weg C, weil die Lastzerlegung Teil des Kernangebots für Kundinnen und Kunden ist, die Menge die Gebühren pro Zähler hochtreibt und Lastgänge von Haushalten sensibel sind.
• Entwickler: Weg C, weil Open-Source-NILM-Toolkits und Zeitreihen-Stacks volle Kontrolle und Reproduzierbarkeit der Forschung erlauben.
• Privat: Weg A, weil Apps von Lieferanten und Heim-Energiemonitore ohne eigene Infrastruktur sofort funktionieren.
• Öffentlich (Stadtwerke, Wohnungsbaugesellschaften): Weg C, weil Souveränität, Vergaberegeln und der Datenschutz der Mieter einen Eigenbetrieb oder den Betrieb in einer souveränen Cloud begünstigen.

Weg A — Kaufen (empfohlen für KMU und Haushalte)

• Analyseplattformen für Versorger: Bidgely (UtilityAI, patentierte Lastzerlegung, SaaS oder in der Cloud des Versorgers; US-Versorger sowie z. B. Sorgenia in Italien) [3]; Oracle Utilities Opower und Itron Analytics für Energieberichte und Kundenansprache (aktuellen Funktionsumfang beim Anbieter prüfen).
• Energie-Apps / Tarife für Verbraucher: Tibber (DE; Live-Verbrauch mit dem Pulse-Lesegerät, dynamischer Tarif) [6]; Octopus Energy (Agile, Intelligent Octopus Go) [4]. Sie zeigen den Verbrauch an und automatisieren das Laden; die Aufschlüsselung nach Geräten unterscheidet sich je nach Produkt und Markt.
• A wählen, wenn: Sie ein Versorger mit zehntausenden Zählern ohne ML-Team sind; prüfen Sie EU-Hosting, die DSGVO-Rolle (Auftragsverarbeiter vs. gemeinsam Verantwortliche) und ob die Lastzerlegung bei Ihrer Zählerauflösung funktioniert.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Merkmalsberechnung und Modelle in einer EU-Cloud-Region betreiben (verwaltetes ML wie Azure ML, Vertex AI, SageMaker oder EU-Anbieter wie STACKIT, IONOS, OVHcloud); Zeitreihenspeicher (TimescaleDB, InfluxDB) und Streaming-Ingest.
• Ein führendes oder in der EU gehostetes LLM (Claude, Mistral, Gemini, GPT mit EU-Datenhaltung) für Erklärungen und Chat ergänzen, mit Tool-Aufrufen in die Hinweis-Engine.
• B wählen, wenn: Sie ein Softwareanbieter, ein Stadtwerk mit Datenteam oder ein App-Start-up sind, das eine eigene Benutzeroberfläche, aber keine eigene GPU-Flotte will.

Weg C — Selbst betreiben (Open Source)

• Toolkit und Modelle: NILMTK für Datenkonvertierung, Metriken und klassische Verfahren; nilmtk-contrib (Apache-2.0) für PyTorch-Modelle, u. a. DAE, seq2point, WindowGRU, BERT-artige Modelle, TCN, PatchTST und NILMFormer [2][7]. Öffentliche Datensätze wie REDD, UK-DALE und REFIT dienen dem Vortraining und der Evaluierung; sie müssen bei den jeweiligen Datenhaltern bezogen werden.
• Stack: PostgreSQL/TimescaleDB, Python, ONNX Runtime für die Inferenz; ein kleines Open-Weight-LLM (Klasse 7-14B, betrieben mit vLLM oder Ollama) für Erklärungen.
• Hardware: Die Lastzerlegungsmodelle sind klein; CPU oder eine einzelne bescheidene GPU (HW1) bewältigt im Batch hunderttausende Kunden. Nur die Chat-Schicht profitiert von HW2.
• Edge-Variante: Inferenz auf dem Gerät in einem Heim-Gateway oder einer Box der Raspberry-Pi-Klasse hält hochaufgelöste Daten im Haus (starkes DSGVO-Argument).

Weg D — Eigenes Training

Oft nötig: Modelle, die mit öffentlichen (meist britischen/US-amerikanischen) Haushalten trainiert wurden, lassen sich schlecht auf deutsche Wärmepumpen, E-Autos und 15-Minuten-Daten übertragen. Mit einer gelabelten Teilmenge feintunen: Kundinnen und Kunden mit untergemessenen Geräten, Daten von Wärmepumpenherstellern oder umfragebasierte Geräteinventare. Transferlernen plus einige hundert gelabelte Haushalte pro Archetyp ist ein realistischer Ausgangspunkt. Die Beschaffung von Referenzdaten (Untermessungs-Pilotprojekte mit Einwilligung) ist der Hauptkostenfaktor.

Stand der Technik (2026)

• Die Forschung ist von Netzen vom Typ seq2point je Gerät zu Transformern, Mixture-of-Experts und Zeitreihenmodellen nach Art von Foundation-Modellen übergegangen; die offene Toolchain enthält solche Architekturen inzwischen (NILMFormer, NILMMoE, PatchTST, TimesNet) in nilmtk-contrib [7].
• Benchmarking wird über ein eigenes Benchmark-Projekt rund um NILMTK vereinheitlicht [2], weil veröffentlichte Ergebnisse auf REDD/UK-DALE/REFIT schwer vergleichbar sind (unterschiedliche Aufteilungen, Häuser, Metriken).
• Die kommerzielle Praxis setzt auf niederfrequente Daten und Hybridverfahren: ML-Lastzerlegung plus physikalische Modelle (z. B. witterungsbereinigte Heizung) und Vorannahmen zum Gerätebesitz [1][3].
• GenAI-Assistenten (wie im Eco-Bot-Konzept eines virtuellen Energieassistenten [1]) übersetzen Erkenntnisse in Dialog; offen bleibt die Frage der Fundierung und der Vermeidung falscher Einsparversprechen.
• Grenzen und Fehlerbilder: 15-Minuten-Daten verbergen kurze Zyklen; gleichzeitige ähnliche Lasten und Geräte mit mehreren Zuständen werden verwechselt; Modelle verallgemeinern schlecht über Länder und Gebäudetypen hinweg; Genauigkeitsangaben von Anbietern werden selten unabhängig geprüft; Rebound-Effekte verringern die tatsächlichen Einsparungen; Schätzungen je Gerät müssen als Schätzungen mit Unsicherheit dargestellt werden.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Zeitreihenspeicher, Verknüpfung mit Wetterdaten, Bibliotheken für Prognose und Anomalieerkennung, LLM-Erklärschicht, Zählerdaten-Anbindung (MaKo/EDIFACT, MQTT, Anbieter-APIs).
• PRED-007 Prognose von Energielast und erneuerbarer Erzeugung: gleiche Daten; die Lastzerlegung schärft die Flexibilitätsprognosen (Wärmepumpe, E-Auto) je Kunde.
• ANOM-008 Erkennung von Energiediebstahl und Netzanomalien: teilt Zählerdaten und Anomaliemodelle; Zwecke und Einwilligungen getrennt halten (Hinweis vs. Durchsetzung).
• OPT-007 Gebäudeenergiemanagement und Optimierung der Klimatisierung: setzt die Erkenntnisse an gewerblichen Standorten um.
• PRED-006 Vorausschauende Wartung: Drift der Signatur von Gerät/Wärmepumpe als Störungssignal.
• PERS-005 privater lokaler Assistent auf einem Heimserver: selbst betriebenes Dashboard für Haushaltsdaten.
• Hardware: HW1 für Modelle, HW2 nur, wenn derselbe Server auch das Chat-LLM betreibt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate für die Integration in Messdatenmanagement und CRM; SaaS mit Preis je Zähler/Kunde.
• Weg B: 3-6 Monate für eine produktive Pipeline einschließlich App und LLM-Schicht.
• Weg C: 4-9 Monate; ML-Engineering plus MLOps; geringe Hardwarekosten.
• Weg D: ergänzt die Erhebung von Referenzdaten (Hauptkostentreiber, 3-12 Monate).
• Kennzahlen: Schätzfehler je Verwendungszweck gegenüber untergemessenen Referenzwerten (z. B. normalisierter Zerlegungsfehler, F1 für An/Aus), Anteil der Kundschaft, die die Hinweise nutzt, Anrufe wegen hoher Rechnungen, gemessene kWh-Einsparungen gegenüber einer Kontrollgruppe, Anmeldungen zu Tarifen/Programmen, Kundenzufriedenheit, Abmelderate.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und die Energie- bzw. Facility-Verantwortlichen (Prozessverantwortliche) für Ziele und Budget ein, die IT für Gateways und Netzzugang sowie die Datenverantwortlichen (Versorgerportal, Abrechnung). Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte wird gebraucht, weil Lastgänge von Haushalten Verhalten wie Anwesenheit und Routinen offenlegen; bei der Analyse im großen Maßstab ist eine DSFA (Art. 35 DSGVO) wahrscheinlich, mit AVV (Art. 28) für jeden Anbieter. Kundinnen und Kunden brauchen eine klare Einwilligung und ein einfaches Opt-out.

Betriebsrat: kommt darauf an. Betrifft die Analyse einen Firmenstandort, können Daten auf Geräteebene offenlegen, wann einzelne Maschinen oder Arbeitsplätze genutzt werden, und damit das Verhalten von Beschäftigten; dann kann § 87 Abs. 1 Nr. 6 BetrVG greifen. Vereinbaren Sie Zweckgrenzen (nur Energie, keine Bewertung von Beschäftigten) in einer kurzen Betriebsvereinbarung und unterrichten Sie den Betriebsrat früh (§ 90 Abs. 1 Nr. 3). Bei privaten Haushalten stellt sich die Frage nicht.

KI-Kompetenz: Die KI-Verordnung (Art. 4) verlangt Maßnahmen zur Förderung der Kompetenz der Beschäftigten; informieren Sie die Energieverantwortlichen und den Kundenservice über die Genauigkeitsgrenzen der Lastzerlegung (Schätzungen, keine Messungen). Starten Sie mit einem Pilotstandort oder einer Gruppe freiwilliger Kunden, kommunizieren Sie Spartipps als Vorschläge und halten Sie bei Störungshinweisen und Tarifberatung einen Menschen in der Schleife. Typische Bedenken: „Sie beobachten uns“; begegnen Sie dem mit Transparenz und Datenminimierung. Siehe GUIDE-004, GUIDE-005, GUIDE-009.

Risiken, Regulierung & Compliance

• DSGVO: Profile auf Geräteebene offenbaren Gewohnheiten (Anwesenheit, Schlaf, Homeoffice), daher sind Lastdaten personenbezogene Daten und in der Praxis sensibel. Rechtsgrundlage ist normalerweise Einwilligung oder Vertrag; eine DSFA ist ratsam; Zweckbindung (keine Zweckänderung für Marketing oder Durchsetzung ohne Grundlage); Datenminimierung (die niedrigste Auflösung verwenden, die funktioniert); Verarbeitung auf dem Gerät, wo möglich.
• Deutsches MsbG: Das Gesetz regelt Verarbeitung, Übermittlung und Löschung von Messwerten und das Auskunftsrecht der Kundschaft (siehe §§ 49 ff., 61) [5]; die Nutzung der Daten durch Dritte erfordert die ausdrückliche Beteiligung der Kundschaft. Prüfen Sie die Anforderungen mit Ihrem Messstellenbetreiber.
• KI-Verordnung (AI Act): in der Regel minimales Risiko: Für Energie-Hinweise und -Beratung gibt es keine Kategorie in Anhang III. Beachten Sie, dass KI bei Verwaltung und Betrieb kritischer digitaler Infrastruktur und der Stromversorgung nach Anhang III Nr. 2 hochriskant sein kann, wenn sie eine Sicherheitskomponente ist; Verbraucherberatung ist es nicht. Die Transparenzpflicht nach Art. 50 gilt für Chat-Assistenten (offenlegen, dass die Nutzerin bzw. der Nutzer mit einer KI spricht) [8]. Schließen Sie aus Lastdaten keine Emotionen oder sensiblen Merkmale.
• Verbraucherschutz: Sparversprechen in der Beratung müssen belegt sein; vermeiden Sie Formulierungen mit garantierter Ersparnis.
• Gegenmaßnahmen: Opt-in, transparente Erklärung, dass es sich um Schätzungen handelt, Löschrechte, Aggregation für Analysen, Kontrollgruppen zur Messung der behaupteten Einsparungen.

Erste Schritte

1. Prüfen, welche Zählerdaten Sie tatsächlich erhalten (Auflösung, Latenz, rechtlicher Zugangsweg) und die Ziel-Verwendungszwecke danach festlegen (15 Minuten: nur Heizung/E-Auto/Grundlast).
2. NILMTK und nilmtk-contrib installieren, einen öffentlichen Datensatz (UK-DALE oder REFIT) konvertieren und eine Basislinie (seq2point, DAE) reproduzieren, um die erreichbare Genauigkeit zu verstehen [2][7].
3. Einen Pilot mit 50-200 Haushalten mit Einwilligung durchführen, mit Untermessungen oder Smart Plugs als Referenzdaten.
4. Die Hinweisschicht zuerst mit einfachen Regeln aufbauen (Standby-Anteil, Heizung vs. Außentemperatur) und den LLM-Erklärer erst auf verifizierten Zahlen ergänzen.
5. Einsparungen vor der Skalierung mit einer Kontrollgruppe messen; die DSFA vor dem Start abschließen.

Quellen

1. CORDIS — H2020 project Eco-Bot (ID 767625), personalised virtual energy assistant with NILM — https://cordis.europa.eu/project/id/767625
2. NILMTK — Non-Intrusive Load Monitoring Toolkit (Apache-2.0) — https://github.com/nilmtk/nilmtk
3. Bidgely — disaggregation / UtilityAI (vendor claims) — https://www.bidgely.com/
4. Octopus Energy — Agile Octopus and Intelligent Octopus Go smart tariffs — https://octopus.energy/smart/
5. Gesetz über den Messstellenbetrieb (MsbG), table of contents — https://www.gesetze-im-internet.de/messbg/
6. Tibber Deutschland — dynamic tariff, Pulse reader, app — https://tibber.com/de
7. nilmtk-contrib — PyTorch NILM models (Apache-2.0) — https://github.com/nilmtk/nilmtk-contrib
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
9. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj