Tel.: +49 172 98 09 007
ML@benedikthuber.com

Projekt Stromzähler

Ziel des Projekts „Stromzähler“ ist es, den Stromverbrauch von analogen Stromzählern automatisiert zu erfassen und zu analysieren.

Bild 1: Überblick über den Aufbau des Projekts Stromzähler. Ein Raspberry PI macht periodisch Bilder des Stromzählers. Der Stand des Stromzählers wird automatisch durch ein Machine Learning Modell digitalisiert und in einer Datenbank gespeichert. Auf dem Raspberry PI läuft ein Webservice, der dem Nutzer den Zugriff auf die Daten gibt.

Warum dieser Aufwand?

Haben Sie schon mal darüber nachgedacht, eine Photovoltaikanlage zu kaufen? Wenn, ja, dann haben Sie sich sicherlich auch schon die Fragen gestellt, wie viel und wann Sie Strom verbrauchen. Und ob Sie eine Batterie benötigen? Wie groß müsste diese sein? Wenn Sie Ihren Stromverbrauch irgendwie aufzeichnen könnten, könnten Sie genau sehen wann, wie viel Strom verbraucht wird und könnten genau berechnen, ob sich eine PV-Anlage oder Batterie lohnt oder vielleicht doch nicht.

Auch wenn Sie keine PV-Anlage kaufen wollen, ist es interessant zu wissen, welche Geräte im Haushalt den meisten Strom verbrauchen.

Obwohl Digitale Stromzähler zunehmend eingesetzt werden, ist dennoch in den meisten Haushalten in Deutschland ein analoger Stromzähler verbaut. Wer sich keinen teuren (Kosten werden auf den Endverbraucher abgewälzt) Digitalen Stromzähler, der sowieso kaum mehr als ein analoger Stromzähler kann, holen will, der kann für ca. 40 Euro seinen Stromverbrauch selber digitalisieren und bequem im Webbrowser analysieren.

Bild 2: Übersicht des Stromverbrauchs eines Tages in 15 min Schritten, bzw. die durchschnittliche Leistungsaufnahme in kW/15min.

Wie funktioniert es?

Ein kleiner Ein-Platinen-Computer/Mikrocontroller wird mit einer einfachen Kamera an einem analogen Stromzähler befestigt (oder davor gestellt) und macht z.B. alle 15 Minuten ein Bild des Zählerstands. Ein Machine Learning Modell extrahiert (siehe Bilder 3 und 4) automatisch den Zählerstand aus dem Bild und speichert ihn mit dem Bild und einem Zeitstempel in einer Datenbank ab. Eine Webapplikation, die z.B. auf dem Mikrocontroller oder auf dem eigenen PC laufen kann, bereitet die Daten visuell auf und bietet eine Benutzerschnittstelle, um über den Webbrowser auf alles zugreifen zu können.

Bild 3: Manuell gelabelte Bilder eines Stromzählers. Beispiel Bilder des Trainingsdatensatzes mit dem das Machine Learning Modell trainiert wurde.
Bild 4: Ausgabe des trainierten Machine Learning Modells. Die Ausgabe besteht aus den „Bounding Boxen“ und den Werten der jeweils erkannten Ziffern.
Bild 5: Beispiel einer „Konfusionsmatrix“ des trainierten Machine Learning Modells. Auf der x-Achse wird der tatsächliche Wert der Zahl angegeben, auf der y-Achse der vom Modell erkannte Wert. Im Optimalfall sieht man auf der gesamten Diagonale nur 1,0. Das würde bedeuten alle Zahlen werden in jedem Fall richtig erkannt.
Wir benutzen Cookies um die Nutzerfreundlichkeit der Webseite zu verbessen. Durch Deinen Besuch stimmst Du dem zu.