Thesis
Künstliche Intelligenz im Keller: Qualitätssicherung für Smart-Meter-Installation direkt auf dem Smartphone
Smart Meter in der Energiewende
Das Stromnetz muss jederzeit ein Gleichgewicht zwischen Erzeugung und Verbrauch halten. Mit der Energiewende wird dieses Gleichgewicht schwieriger: Immer mehr Strom stammt aus dezentralen und schwankenden Quellen wie Wind und Sonne. Smart Meter liefern die Echtzeitdaten von Verbrauch und Produktion, mit denen die Netzbetreiber Angebot und Nachfrage dynamisch steuern können. Der Smart-Meter-Rollout ist damit ein zentraler Baustein der Energiewende.
Ein Smart Meter besteht aus einer modernen digitalen Messeinrichtung und einem Smart-Meter-Gateway, das die Messdaten über Mobilfunk an den Netzbetreiber überträgt. Deutschland liegt beim Rollout im europäischen Vergleich zurück, will aber bis Ende 2032 eine Abdeckung von 90 % erreichen. Das bedeutet Millionen von Installationen, die alle korrekt durchgeführt werden müssen.
Das Problem: Qualitätssicherung unter erschwerten Bedingungen
Eine Installation dauert etwa 45 Minuten, umfasst viele Einzelschritte und ist von Installationsstandort zu Installationsstandort unterschiedlich. Zeitdruck und Aufgabenvielfalt machen Fehler möglich. Ein vertauschter Zähler kann über Jahre zu falschen Abrechnungen führen, im schlimmsten Fall kann ein Installationsfehler sogar einen Zählerbrand auslösen. Eine Qualitätssicherung direkt vor Ort ist daher entscheidend.
Genau hier setzt der bestehende Dienst an: Er prüft die Installation automatisiert mithilfe von Computer Vision, also mit KI-Modellen, die Fotos der Zähler auswerten. Das reduziert Fehler und entlastet das Fachpersonal. Es gibt jedoch eine Hürde: Viele Zähler stehen in Kellern ohne Mobilfunkempfang. Ohne Netz kann die serverbasierte Prüfung nicht laufen, und unter Zeitdruck wird die Qualitätssicherung dann womöglich übersprungen.
Die Idee: Die KI-Modelle direkt auf dem Gerät ausführen
Die Lösung liegt nahe: Wenn kein mobiles Netz verfügbar ist, müssen die Modelle direkt auf dem Gerät der Technikerinnen und Techniker laufen. Der Nachteil dabei ist, dass die Modelle mit den begrenzten Rechen- und Speicherressourcen mobiler Hardware auskommen müssen.
Die Kernmethode der Arbeit: Quantisierung
Der zentrale Optimierungsansatz dieser Arbeit ist die Quantisierung. Dabei werden die Zahlenwerte eines neuronalen Netzes von einer feinen in eine gröbere Darstellung überführt, konkret von 32-Bit-Gleitkommazahlen (FP32) zu 8-Bit-Ganzzahlen (INT8). Das verkleinert das Modell und beschleunigt die Berechnungen, ohne die Architektur des neuronalen Netzes selbst zu verändern.
Zum Einsatz kam eine Post-Training-Quantisierung, also eine Quantisierung nach dem Haupttraining des neuronalen Netzes. In systematischen Experimenten wurden dabei verschiedene Parameter dieser Quantisierung getestet und für jedes Modell diejenige Konfiguration übernommen, die zum leistungsfähigsten Ergebnis führte.
Die Bewertung fand auf Basis von drei Dimensionen statt: Inferenzgeschwindigkeit, Speicherbedarf und Genauigkeit. Die Genauigkeit wurde dabei sowohl auf Modellebene (unter anderem mit den Modellmetriken IoU, mAP und CER) als auch auf der geschäftlich relevanten Ebene der tatsächlich im Feld angewandten Qualitätsprüfungen gemessen. Die Geschwindigkeit wurde über direkte Inferenzmessungen auf einem Android-Gerät ermittelt.
Die Ergebnisse
Die Optimierung führte zu folgenden Verbesserungen:
- Inferenzgeschwindigkeit: Beschleunigung der Inferenz um den Faktor 1,62, also über 60 % schneller.
- Speicherbedarf: Reduktion des kombinierten Speicherbedarfs der Modelle um 65 %.
- Genauigkeit: Die geschäftlich relevante Genauigkeit ist nur um 0,38 % gesunken, ein vernachlässigbarer Rückgang.
Auf die Frage, ob die optimierten Modelle schnell genug für den breiten mobilen Einsatz sind, gibt die Arbeit eine differenzierte Antwort: 96,5 % der Aufträge werden auf dem Referenzgerät innerhalb der geforderten maximalen Bearbeitungszeit von 30 Sekunden verarbeitet. Die ideale Bearbeitungszeit von 10 Sekunden wird jedoch nur bei Aufträgen mit höchstens vier Bildern erreicht, was etwa 40 % der Aufträge entspricht.
Fazit und Ausblick
Die Arbeit zeigt, dass sich die Computer-Vision-Modelle erfolgreich für den mobilen Einsatz optimieren lassen. Quantisierung macht es möglich, die Qualitätssicherung auch dort durchzuführen, wo bisher kein Netz verfügbar war, etwa in Kellern. Damit fällt eine wesentliche Hürde für den flächendeckenden Einsatz weg.
Zugleich bleibt Raum für weitere Verbesserungen. Andere Methoden zur Optimierung wie Pruning können eingesetzt werden. Des Weiteren beschränkt sich die Auswertung bislang auf ein einzelnes Gerät; für eine belastbare Empfehlung zum breiten Einsatz sind Tests auf weiteren Geräten nötig. Ein vielversprechender nächster Schritt wäre das Training eines kleineren Erkennungsmodells, das in Kombination mit Quantisierung noch größeres Optimierungspotenzial bereithalten könnte.