Federated Learning für Versicherungsindizes bei erneuerbaren Energieverlusten

In einer wegweisenden Studie wird ein neues Federated‑Learning‑Framework vorgestellt, das die Kalibrierung parametrierter Versicherungsindizes für erneuerbare Energieanlagen revolutioniert. Durch die Kombination lokaler Tweedie‑GLM‑Modelle mit einem dezentralen Optimierungsprozess können Betreiber ihre Produktionsverluste exakt erfassen, ohne sensible Daten preiszugeben.

Das Verfahren berücksichtigt die unterschiedliche Streuung und die spezifischen Link‑Funktionen der einzelnen Anlagen und minimiert dabei direkt einen globalen Deviance‑Zielwert. Im Vergleich zu herkömmlichen Aggregationsmethoden wurden FedAvg, FedProx und FedOpt implementiert und gegen ein bestehendes Approximation‑Verfahren benchmarked.

Ein praktischer Test mit deutschen Solaranlagen zeigte, dass Federated Learning unter moderater Heterogenität nahezu identische Indexkoeffizienten liefert wie zentrale Modelle, jedoch mit deutlich höherer Skalierbarkeit und Datensicherheit. Das Ergebnis unterstreicht die Zukunftsfähigkeit des Ansatzes für die Versicherungsbranche.