Welche Branche verbraucht wie viel Strom? Was diese Infos mit Versorgungssicherheit zu tun haben.

Firma X wird verpflichtet, den Stromverbrauch zu reduzieren. Unternehmen Y muss den Betrieb runterfahren. Solche Szenarien waren während der Energiekrise 2022 ein Thema. Doch: Wer entscheidet bei einer Strommangellage, welche Wirtschaftszweige eingeschränkt würden? Und worauf würde sich dieser Entscheid stützen? In einer Data-Science-Studie hat das Bundesamt für Energie (BFE) untersucht, mit welchen Methoden und Daten sich erkennen lässt, welche Wirtschaftszweige wieviel Strom verbrauchen. Wichtige Informationen liefern dabei Verbrauchsdaten, die mit Smart Metern erhoben werden. Ziel der Studie war es, eine Grundlage für gezielte und faire energiepolitische Massnahmen zu schaffen.

Die Studie verfolgte zwei Ansätze, um Lastprofile (15-Minuten-Stromverbrauchsdaten) aus Smart Metern, einzelnen Wirtschaftszweigen zuzuordnen und so den Stromverbrauch nach Wirtschaftszweigen auswerten zu können.

Zuordnung über Stammdaten (klassischer Ansatz)

Für den klassischen Ansatz wurden Lastprofile aus Smart Metern zusammen mit den Stammdaten der Messpunkte von verschiedenen Verteilnetzbetreibern verwendet. Diese Stammdaten enthalten in der Regel bereits Informationen wie die Unternehmens-Identifikationsnummer (UID) oder den Firmennamen. Jedes in der Schweiz tätige Unternehmen verfügt über eine eindeutige UID.

Der zentrale Schritt besteht darin, diese Daten (Lastprofil und UID) mit dem NOGA-Code zu verknüpfen. NOGA steht für Nomenclature Générale des Activités économiques und ordnet Unternehmen standardisiert einem Wirtschaftszweig zu. Im Betriebs- und Unternehmensregister (BUR) des Bundesamts für Statistik (BFS) kann über die UID der entsprechende NOGA-Code für ein spezifisches Unternehmen abgefragt werden. So lässt sich systematisch und vergleichbar auswerten, welcher Wirtschaftszweig wie viel Strom verbraucht. Mit den so verknüpften Daten lässt sich beispielsweise bestimmen, ob ein Messpunkt zu einem Restaurant, einer Bäckerei, einer Metallverarbeitung oder einem Fitnessstudio gehört.

Zuordnung über KI (Machine Learning)

Im zweiten Ansatz wurde ein Machine Learning Modell (KI) mit Lastprofilen trainiert, die über den klassischen Ansatz bereits einem NOGA-Code zugeordnet worden waren. Anschliessend wurde untersucht, ob das Modell bei neuen, noch nicht zugeordneten Lastprofilen den Wirtschaftszweig bzw. NOGA-Code allein anhand des Stromverbrauchsmusters erkennen kann, also ohne zusätzliche Stammdaten.

Die KI-Modelle lernen dabei, charakteristische Muster im Stromverbrauch bestimmten wirtschaftlichen Tätigkeiten zuzuordnen. So kann beispielsweise erkannt werden, ob ein Lastprofil eher zu einem Restaurant oder zu einem Bürogebäude passt. Dieser Ansatz zeigte grundsätzlich vielversprechende Ergebnisse, war aber aufgrund der beschränkten Datenbasis limitiert. Eine grössere und diversere Datenbasis könnte die Ergebnisse deutlich verbessern.

Was bringt dieses Verbrauchsmonitoring nun konkret?

–> Bessere Vorbereitung auf Strommangellagen

Wenn man weiss, welche Wirtschaftszweige wann wie viel Strom verbrauchen, lassen sich energiepolitische Massnahmen gezielter und effektiver planen, statt pauschal alle gleich zu behandeln. So zeigt sich beispielsweise, dass gewisse Industriezweige nachts kaum Strom benötigen. Nachtabschaltungen würden dort in einer Notsituation entsprechend wenig Wirkung entfalten. In anderen Wirtschaftszweigen kann das Einsparpotenzial deutlich grösser sein. Vorhandene Flexibilitäten lassen sich so gezielter erkennen.

–> Regionale Unterschiede sichtbar machen

Die Zusammensetzung der Wirtschaftszweige unterscheidet sich je nach Netzgebiet. Regionen mit vielen Hotels weisen andere Lastprofile auf als Gebiete mit hohem Industrieanteil, starkem Dienstleistungssektor oder grosser Wohnbevölkerung. Diese Unterschiede liefern wichtige Hinweise für die Planung von energiepolitischen Massnahmen durch Behörden und für Massnahmen zum sicheren Netzbetrieb durch die Verteilnetzbetreiber.

–> Grundlage für Energieeffizienz und Monitoring

Die Auswertungen ermöglichen es, wirtschaftszweigspezifische Verbrauchsmuster zu erkennen, Lastspitzen zu identifizieren und Entwicklungen über die Zeit zu verfolgen. Daraus lassen sich gezielt Ansatzpunkte für Effizienzsteigerungen ableiten. Auch Förderprogramme oder andere energiepolitische Instrumente könnten auf dieser Grundlage gezielter ausgestaltet werden.

–> Open-Source-Tool für Verteilnetzbetreiber

Die im Projekt entwickelten Werkzeuge stehen als Open-Source-Lösungen zur Verfügung. Sie ermöglichen es Verteilnetzbetreibern, ihre Datenqualität zu verbessern und eigene Analysen des Stromverbrauchs durchzuführen. Gerade mit Blick auf den Aufbau der nationalen Datenplattform und die damit verbundene Bereinigung der Stammdaten pro Messpunkt können diese Werkzeuge den Verteilnetzbetreibern erheblichen Aufwand ersparen.

Projektleiter der BFE-Data-Science-Studie war Lucas Tochtermann, stellvertretender Leiter der Sektion Geoinformation und digitale Innovation im Bundesamt für Energie.

Energeiaplus: Während der Energiekrise 2022 wurden verschiedene Massnahmen zur Kontingentierung des Stromverbrauchs diskutiert. (siehe hier: Wenn der Strom knapp wird) Zum Beispiel die Schliessung von Wellness-Betrieben war ein Thema. Das hat hohe Wellen geworfen in den Medien. Ist die Studie eine Folge dieser Diskussionen?

Lucas Tochtermann, Projektleiter der Data-Science-Studie; Bild: BFE

Lucas Tochtermann: Die Diskussionen rund um mögliche Einschränkungen während der Energiekrise waren sicher ein Auslöser. Die Diskussionen in den Medien haben zudem gezeigt, wie wichtig eine klare und nachvollziehbare Datengrundlage für solche Entscheide ist.

Im ersten Schritt ging es deshalb darum zu verstehen, ob die Energiesparkampagne tatsächlich Wirkung zeigte. Ziel der Kampagne war es, den Stromverbrauch zu senken und so einer möglichen Mangellage vorzubeugen. Deshalb stellte sich die Frage, wie sich der Stromverbrauch in dieser Zeit gegenüber den Vorjahren verändert hat

Um diese Frage zeitnah zu beantworten, wurden während der Energiekrise Auswertungen auf Basis von Smart Meter Daten vorgenommen. Die offizielle Statistik zum Stromverbrauch liegt jeweils erst mit deutlicher zeitlicher Verzögerung vor und war daher für die aktuelle Lagebeurteilung nicht geeignet. Diese zeitnahen Analysen zeigten, dass sich Veränderungen im Stromverbrauch grundsätzlich messen lassen. Dabei konnten wir den Verbrauch bereits nach drei Gruppen differenzieren: kleine, mittlere und grosse Verbraucher. Gleichzeitig wurde aber auch deutlich, dass diese Informationen für eine gezielte Steuerung oder für mögliche Kontingentierungen nicht ausreichen. Relativ schnell wurde klar, dass es dafür eine feinere Analyse nach Wirtschaftszweigen braucht, um fundierte und differenzierte Massnahmen ableiten zu können.

Um zu wissen, welcher Wirtschaftszweig wann wie viel Strom verbraucht, sind Lastprofile zentral. In der Studie wurden zwei Wege getestet, um diese Lastprofile den Wirtschaftszweigen zuzuordnen. Welche Wirtschaftszweige waren besonders schwierig zu klassifizieren – und warum?

Bei der klassischen Methode hängt die Zuverlässigkeit des Resultats weniger vom Wirtschaftszweig ab als von der Qualität der verfügbaren Daten bei den Verteilnetzbetreibern. Wenn Unternehmensangaben unvollständig, veraltet oder fehlerhaft sind, lässt sich im Unternehmensregister kein eindeutiger Treffer finden. In solchen Fällen kann auch kein NOGA-Code zugeordnet werden. Das war noch relativ oft der Fall.

Beim Machine-Learning-Ansatz zeigt sich ein anderes Bild: Hier sind insbesondere Wirtschaftszweige problematisch, die in den Trainingsdaten nur schwach vertreten sind. Solche untervertretenen Wirtschaftszweige werden vom Modell häufiger falsch klassifiziert. Zusätzlich kommt hinzu, dass sich gewisse Wirtschaftszweige im Stromverbrauch sehr ähnlich verhalten. In diesen Fällen fehlen klare Muster, was die Zuordnung für die Modelle weiter erschwert.

Welche Rolle spielte der Datenschutz bei der Zuordnung über Stammdaten?

Dem Datenschutz wurde in der Pilotstudie von Beginn an besondere Aufmerksamkeit geschenkt. Die Verarbeitung erfolgte auf Basis entsprechender Vereinbarungen mit den Verteilnetzbetreibern und unter Einhaltung der datenschutzrechtlichen Vorgaben. Es wurden ausschliesslich verbrauchsbezogene Daten mit Unternehmensbezug verarbeitet, nicht aber Personendaten von Privatpersonen.

Gleichzeitig zeigte sich, dass der Ansatz mit guten Stammdaten sehr robuste Ergebnisse liefert. Probleme entstehen vor allem dann, wenn Unternehmensdaten unvollständig, veraltet oder nicht eindeutig sind, etwa bei Namensänderungen, mehreren Standorten oder fehlenden Einträgen im Register.

„KI kann den klassischen Ansatz sinnvoll ergänzen, aber nicht ersetzen.“

Bei der Zuordnung wurde auch KI eingesetzt. Einige Wirtschaftszweige konnte die KI gut unterscheiden, andere kaum. Was heisst das für das weitere Vorgehen?

Die Ergebnisse zeigen, dass KI grundsätzlich Potenzial hat, aber ihre Aussagen stark von der Datenbasis abhängen. Für gut vertretene Wirtschaftszweige mit klaren Verbrauchsmustern funktioniert die Klassifikation bereits relativ zuverlässig. Eine flächendeckende Zuordnung aller Wirtschaftszweige ist derzeit jedoch nicht realistisch. Insbesondere bei kleinen oder wenig repräsentierten Kategorien wie zum Beispiel die Tabakverarbeitung stösst das aktuelle KI-Modell schnell an seine Grenzen. Mit einer breiteren und besser strukturierten Datenbasis kann die Leistungsfähigkeit der Modelle weiter verbessert werden.

Für das weitere Vorgehen bedeutet das, dass KI den klassischen Ansatz sinnvoll ergänzen, aber nicht ersetzen kann. Die Verknüpfung über Stammdaten bleibt die verlässlichste Grundlage. Gleichzeitig zeigt sich, dass für eine Weiterentwicklung der KI-Ansätze eine breitere Datenbasis notwendig ist, die in dieser Form primär bei den Verteilnetzbetreibern vorhanden ist. Über die nationale Datenplattform, die sich derzeit im Aufbau befindet, könnte der Zugang zu einer breiteren Datenbasis für das Training der KI-Modelle künftig erleichtert werden. Selbstverständlich unter Berücksichtigung datenschutzrechtlicher Vorgaben. Die im Projekt gewonnenen Erfahrungen und entwickelten Ansätze können dabei als Grundlage dienen, auf der die Verteilnetzbetreiber aufbauen und eigene Lösungen weiterentwickeln können.

Wie geht es nun weiter? Gibt es Wirtschaftszweige, bei denen eine vertiefte Analyse vorgesehen ist?  

Der Blick richtet sich im Moment weniger auf einzelne Wirtschaftszweige, sondern auf die Weiterentwicklung der Daten- und Methodenbasis. Damit präzisere Auswertungen möglich sind, sollen die Verteilnetzbetreiber künftig angeben, welcher Branche ein Anschluss zugeordnet ist. Diese Informationen werden dann einheitlich auf der nationalen Datenplattform bereitgestellt.

Die im Projekt entwickelten Ansätze helfen den Netzbetreibern dabei, ihre Daten zu vervollständigen. Zum Beispiel indem bestehende Angaben überprüft und fehlende ergänzt werden. Digitale Hilfsmittel können diesen Prozess deutlich vereinfachen. Ohne solche Unterstützung wäre es für die Netzbetreiber ein langwieriger und mühsamer Weg, alle Zuordnungen manuell nachzuführen. Grundsätzlich wäre es möglich, über die Datenplattform KI-Modelle mit pseudonymisierten Daten zu trainieren, um die Verteilnetzbetreiber bei der korrekten Einordnung zu unterstützen.

Inwiefern liefern die Erkenntnisse aus der Pilotstudie auch Informationen für die «normale» Lage? Stichwort: Allfällige Netzverstärkungen?

Die Nutzungsbedingungen mit den Verteilnetzbetreibern erlauben es uns derzeit, die Daten nur im Rahmen dieser Pilotstudie zu verwenden. Zudem lag der Fokus nicht auf regionalen Verbrauchsanalysen, sondern auf der Zuordnung von Lastprofilen zu Wirtschaftszweigen. Für Fragestellungen wie Netzverstärkungen wären zusätzliche Analysen notwendig, die auch regionale Eigenschaften und Netzstrukturen berücksichtigen. Grundsätzlich zeigt die Studie jedoch, welches Potenzial in einer weitergehenden Nutzung solcher Daten liegt.

Welche nächsten Schritte sind nun geplant?

Derzeit stehen vor allem drei Punkte im Vordergrund.
Erstens hat die Data-Science-Studie vor allem die Grenzen der aktuellen Ansätze aufgezeigt. Beim Einsatz von KI war die verfügbare Datenbasis der grösste limitierende Faktor. Für eine Weiterentwicklung wären deutlich mehr und vielfältigere Daten erforderlich, die primär bei den Verteilnetzbetreibern vorhanden sind. Eine unmittelbare Weiterentwicklung des KI-Ansatzes ist daher aktuell nicht vorgesehen.
Zweitens wird mit der nationalen Datenplattform im Stromsektor eine breitere und standardisierte Datengrundlage aufgebaut. Ein wichtiger Aspekt dabei ist, dass künftig die NOGA-Abteilung pro Messpunkt verfügbar sein soll. Dadurch würden ein einheitlicheres Monitoring, vertiefte Analysen und der Einsatz weiterentwickelter KI-Ansätze erleichtert.
Drittens bieten die im Projekt gewonnenen Erkenntnisse und entwickelten Ansätze, die offen zur Verfügung stehen, eine konkrete Grundlage, auf der Verteilnetzbetreiber aufbauen können, um ihre Stammdaten zu ergänzen und eigene Auswertungen durchzuführen.

Text und Interview: Brigitte Mader, Kommunikation, Bundesamt für Energie
Bild: Shutterstock, Asset id: 2613082349; alexdndz