Projekt

Für eine nachhaltige Entwicklung sind effektive politische Maßnahmen erforderlich, die Veränderungen in Entscheidungen von Haushalten und Unternehmen bewirken. Dieses Projekt befasst sich mit zentralen Fragestellungen zu politischen Maßnahmen, die den Energieverbrauch in Haushalten und Unternehmen, die Nachfrageflexibilität sowie das Mobilitätsverhalten adressieren. Der Fokus liegt auf experimentellen Methoden und Deep-Learning-Algorithmen, um zu zeigen, wie maschinelles Lernen (ML) mit räumlich-zeitlichen Daten angewendet werden kann, um die Wirksamkeit durch zielgerichtete Maßnahmen zu erhöhen („Targeting“). Zielgerichtete Maßnahmen richten sich an Personen, bei denen man die größte Verhaltensänderung erwartet. Wir erweitern diesen Ansatz, indem wir sicherstellen, dass die Maßnahmen zur richtigen Zeit – beispielsweise während der Spitzenbelastung im Stromnetz oder in Stoßzeiten des Verkehrs – und am richtigen Ort – wie in überlasteten Stromverteilungsnetzen oder auf stark befahrenen Autobahnen und in bestimmten Stadtteilen – umgesetzt werden.

Insbesondere führen wir groß angelegte Umfragen und Feldversuche durch, um die Wirksamkeit vielversprechender innovativer Interventionen zur Änderung des individuellen Verhaltens zu untersuchen. Wir nutzen ML-Modelle wie neuronale Netze, um zu verstehen, wie Effekte der Maßnahmen je nach verschiedenen Charakteristika und den räumlichen sowie zeitlichen Dimensionen variieren.

In einem weiteren Schritt untersuchen wir, wie diese Erkenntnisse helfen können, Zielgruppen in relevanten Bevölkerungsgruppen außerhalb des experimentellen Rahmens zu identifizieren. Ziel ist es, die Kosteneffizienz von Maßnahmen zu erhöhen. Wir nutzen ML-Methoden, die auf den Daten aus unseren Feldexperimenten basieren, um Vorhersagen über die Auswirkungen solcher Maßnahmen auf individueller Ebene zu treffen. Solche Vorhersagen erfordern jedoch, dass wir Muster aus den Trainingsdaten verallgemeinern. Dies stellt eine große Herausforderung dar, da sich die Bevölkerungsgruppen stark von den Trainingsdaten unterscheiden können. Ein besonderer Fokus des Projekts liegt daher auf der Entwicklung und Anwendung von Deep-Learning-Methoden, die es ermöglichen, solche Generalisierungen mit möglichst wenigen zusätzlichen Daten zu erreichen.

TRR 391 Internetseite

Projektstart:
01. Oktober 2024

Projektende:
30. Juni 2028

Projektleitung:
Prof. Dr. Mark Andor, Prof. Dr. Andreas Löschel (Ruhr-Universität Bochum), Prof. Dr. Asja Fischer (Ruhr-Universität Bochum)

Projektmitarbeitende:
Eva Hümmecke

Projektpartner:
Ruhr-Universität Bochum, Technische Universität Dortmund, Universität Hamburg, Universität Münster, Karlsruher Institut für Technologie, Technische Universität Hamburg, FH Dortmund

Förderung:
Deutsche Forschungsgemeinschaft