Zum Inhalt

Cookie-Einstellungen

Sie entscheiden je Kategorie, welche Dienste wir nutzen dürfen; vorausgewählt ist nichts. Ihre Wahl gilt für alle Seiten unter fh‑wedel.de, wird 12 Monate in einem Cookie gespeichert und lässt sich jederzeit im Footer unter „Cookie-Einstellungen“ ändern oder widerrufen. Datenschutz

Notwendig

Immer aktiv

Speichert Ihre Wahl, damit die Einwilligung funktioniert. Immer aktiv.

  • EinwilligungsverwaltungFachhochschule Wedel gGmbH
    Anbieter
    Fachhochschule Wedel gGmbH, Feldstraße 143, 22880 Wedel
    Zweck
    Speichert Ihre Entscheidung über Cookies und Dienste, damit wir Sie nicht bei jedem Aufruf erneut fragen.
    Cookies
    • fhw_einwilligung12 Monate
    • fhw_widerspruch12 Monate
    Drittland
    keins (EU)

Statistik

Wir messen, wie viele Menschen unsere Seiten besuchen und welche Beiträge sie lesen, um das Angebot zu verbessern.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google Analytics 4Google Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, wie unsere Seiten genutzt werden, etwa welche Seiten aufgerufen werden und woher die Besuche kommen.
    Cookies
    • _ga2 Jahre
    • _ga_*2 Jahre
    Drittland
    USA (Data Privacy Framework)
  • MatomoFachhochschule Wedel gGmbH (eigener Server)
    Anbieter
    Fachhochschule Wedel gGmbH (eigener Server), Feldstraße 143, 22880 Wedel
    Zweck
    Misst auf unserem eigenen Server, welche Seiten und Beiträge aufgerufen und gelesen werden und woher die Besuche kommen.
    Cookies
    • _pk_id*13 Monate
    • _pk_ses*30 Minuten
    • _pk_ref*6 Monate
    Drittland
    keins (EU)

Marketing

Wir zeigen Werbung für die FH Wedel bei Google, Facebook, Instagram und TikTok (auch Menschen, die unsere Seiten besucht haben) und messen, ob sie wirkt. Dabei gelangen Daten in die USA und nach China.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google AdsGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, ob Besuche auf unsere Anzeigen zurückgehen, und zeigt unsere Anzeigen Besucherinnen und Besuchern erneut (Remarketing).
    Cookies
    • _gcl_*3 Monate
    Drittland
    USA (Data Privacy Framework)
  • Meta-PixelMeta Platforms Ireland Limited
    Anbieter
    Meta Platforms Ireland Limited, Merrion Road, Dublin 4, D04 X2K5, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf Facebook und Instagram und zeigt sie passenden Zielgruppen.
    Cookies
    • _fbp3 Monate
    • _fbc3 Monate
    Drittland
    USA (Data Privacy Framework)
  • TikTok-PixelTikTok Technology Limited
    Anbieter
    TikTok Technology Limited, 10 Earlsfort Terrace, Dublin, D02 T380, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf TikTok und zeigt sie passenden Zielgruppen.
    Cookies
    • _ttp13 Monate
    • _tt_enable_cookie13 Monate
    • ttcsid*siehe Anbieter
    Drittland
    Drittländer einschließlich China (Standardvertragsklauseln)

Externe Medien

Wir zeigen eingebettete Videos und andere Inhalte fremder Anbieter direkt auf unseren Seiten; dabei erhält der Anbieter Daten wie Ihre IP-Adresse.

  • YouTubeGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Spielt eingebettete Videos von YouTube ab, nachdem Sie ein Video geladen haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
Alle Artikel

Thesis

Künstliche Intelligenz im Keller: Qualitätssicherung für Smart-Meter-Installation direkt auf dem Smartphone

Diese Arbeit optimiert die KI-gestützte Qualitätssicherung von Smart-Meter-Installationen für den mobilen Einsatz. Durch Quantisierung der verwendeten Computer-Vision-Modelle konnte eine über 60 % schnellere Verarbeitung bei nahezu unveränderter Genauigkeit erzielt werden.

  • Veröffentlicht am
  • Verfasst von Franz Huschenbeth, B. Sc. Data Science & Artificial Intelligence
  • Betreut von Prof. Hendrik Annuth und Felix Greiwe
  • Teilen

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.