Teilprojekt 3

 

Erfassung der Verhaltens- und Bewegungsmuster im häuslichen Umfeld durch Beobachtung des Verbrauchsprofils von Energie, Wasser und Gas

 

Kooperation: HFU, HRW, KHF, FZI

Projektleitung: Prof. Dr. Ing. Dirk Benyoucef (HFU)

 

Ziel in Teilprojekt 3 ist die Informationsgewinnung für die Analyse von Bewohneraktivitäten im privaten Wohnraum (z.B. für In-/Aktvititäsprofile oder Human Activity Recognition). Grundlegende Motivation ist es, Informationen aufzubereiten, die bereits für andere Zwecke erhoben und genutzt werden. Dies reduziert Kosten und Installationsaufwand auf ein Minimum und sorgt für eine unaufdringliche Datenerfassung. Wichtigste Informationsquelle ist das sogenannte Non-Intrusive Load Monitoring, bei dem der Verbrauch an elektrischer Energie an zentraler Stelle im Smart Meter, dem elektronischen Stromzähler, gemessen und analysiert wird. Aus diesem Gesamtverbrauch lässt sich auf die Benutzung von elektrischen Geräten schließen was wiederum Rückschlüsse auf das Verhalten der Bewohner zulässt. Andererseits wird es dadurch möglich, Gefährdungen durch elektrische Geräte frühzeitig zu erkennen und zu intervenieren. Durch die Messung und Datenerfassung im Smart Meter ist der offensichtliche Eingriff in die Privatsphäre durch den Einbau technischem Gerät im unmittelbar bewohnten Raum minimal. Darüber hinaus wird die Privatsphäre bestmöglich geschützt, da sämtliche Daten potenziell im Smart Meter verarbeitet werden können.

 

Für das Load Monitoring wird der elektrische Energieverbrauch in Form von Spannung und Strom kontinuierlich erfasst. Die Bewohneraktivität spiegelt sich vornehmlich in den Schaltvorgängen von elektrischen Geräten wider. Diese werden mittels der sog. Event Detection, vgl. Bild 1, im Energieverbrauch erkannt. Hierfür wurden Algorithmen entwickelt, die Änderungen im elektrischen Verbrauch erkennen sofern sie durch das Schalten von elektrischen Geräten verursacht wurden. Es konnte gezeigt werden, dass Algorithmen mit allgemeingültigen Modellen eine sehr gute Erkennungsrate erreichen.

 

Im Anschluss an die Event Detection erfolgt eine Klassifikation, die primär dazu dient, die Ereignisse von autonom operierenden Geräten zu eliminieren. Diese liefern keine Information über Bewohneraktivitäten und tragen insofern nicht zum Informationsgewinn bei. Andererseits kann die Klassifikation helfen, falsch erkannte Schaltereignisse ebenfalls zu eliminieren und so die Qualität der Aktivitätsinformation zu verbessern.

 

Dass die aus dem Betrieb elektrischer Geräte abgeleiteten Aktivitätsinformationen einen wertvollen Beitrag zur Analyse von Aktivitätsprofilen liefern können, konnte anhand einer Studie in einer privaten Wohnung gezeigt werden. Ein Ausschnitt aus dem Profil der Schaltereignisse ist in Bild 2 zu sehen. Es ist deutlich erkennbar, dass sich die Aktivitäten der Bewohner in Form von Tagesprofilen in der Event Detection niederschlagen. Daraus lassen sich langfristige Veränderungen im Leben der Bewohner untersuchen ohne sie einer offensichtlichen Dauerüberwachung unterziehen zu müssen.

 

Im Rahmen der sozialwissenschaftlichen Begleitung der Hochschule Ravensburg Weingarten fand zu Beginn des Projektes eine Literaturrecherche statt. Inhalt hierbei war die theoretische Aufarbeitung von Gründen, die zu einer Übersiedelung ins Pflegeheim führen. Hiermit sollte geklärt werden, welche Lebens- bzw. Alltagssituationen bei zunehmender Hilfs- und Pflegebedürftigkeit älterer Menschen relevant für eine Datenerfassung durch die hier beschriebene Technik sind.

 

Eine Evaluation des Gesamtsystems durch Feldtests steht noch aus. Diese ist für Sommer 2015 geplant. Nach Abschluss der Feldtests führen Sozialwissenschaftler mit den in der Wohnung lebenden Personen Interviews durch. Auf Grundlage ausgearbeiteter Fragestellungen sollen Erkenntnisse bezüglich dem Erleben des Technikeinsatzes aus Nutzersicht erlangt werden. Des Weiteren werden aus den erhobenen Daten Chancen und Risiken im Zusammenhang der Anwendungsmöglichkeiten des Systems abgeleitet und Fragen zum Datenschutz bearbeitet. Insgesamt sollen sich Hinweise für weitere Optimierungen der Technik ableiten lassen und erste Einschätzungen hinsichtlich einer grundlegenden prospektiven Nutzerakzeptanz gegenüber dem System gewinnen lassen.

 

 

Bild 1: Struktureller Aufbau eines Algorithmus für die Erkennung von Benutzeraktivitäten
Bild 2: Aktivitätsprofil für mehrere Tage mit deutlich erkennbaren Tagesprofilen