Neues MoE-Encoder-Modul verbessert Stromnetz‑Vorhersagen unter Datenschutz

In der Energiebranche sind präzise Vorhersagen von Stromnachfrage und -produktion entscheidend, doch die Daten, die dafür benötigt werden, sind oft regional sensibel und dürfen nicht frei ausgetauscht werden. Ein neues Verfahren namens MoE‑Encoder löst dieses Problem, indem es vortrainierte Zeitreihenmodelle mit einer sparsamen Mischung aus Experten erweitert. Dadurch wird die komplexe, mehrdimensionale Vorhersage in ein gezieltes, einheitliches Problem umgewandelt, das die Beziehungen zwischen den einzelnen Variablen besser erfasst.

Der Kern des Ansatzes liegt in einem zusätzlichen Layer zwischen Tokenisierung und Encoding, der die Daten an spezialisierte Experten weiterleitet. Diese Experten können lokal trainiert werden, sodass nur die Parameter des MoE‑Encoders geteilt werden müssen – die Rohdaten bleiben vollständig privat. In umfangreichen Tests auf öffentlichen Multivariate‑Datensätzen hat das Modell die Genauigkeit deutlich über den etablierten Baselines gesteigert.

Besonders vielversprechend ist die Anwendung in föderierten Umgebungen. Durch das Übertragen ausschließlich der MoE‑Encoder‑Parameter lässt sich das Modell schnell an neue Regionen anpassen, ohne dass die Leistung stark nachlässt. Damit bietet das Verfahren eine skalierbare, datenschutzfreundliche Erweiterung für Basis‑Zeitreihenmodelle und eröffnet neue Möglichkeiten für die Energieplanung in einer vernetzten, aber datenschutzbewussten Welt.