LAD-BNet: Schnellere Echtzeit‑Energieprognosen auf Edge‑Geräten

Ein neues neuronales Netzwerk namens LAD‑BNet (Lag‑Aware Dual‑Branch Network) wurde entwickelt, um die Echtzeit‑Energieprognose auf Edge‑Geräten zu beschleunigen. Das System nutzt die Google Coral TPU und ist speziell für die Beschränkungen von eingebetteten Systemen optimiert.

LAD‑BNet kombiniert zwei spezialisierte Zweige: Einer konzentriert sich auf die explizite Ausnutzung von zeitlichen Verzögerungen, während der andere ein Temporal‑Convolutional‑Network (TCN) mit dilatierten Faltungen verwendet. Durch diese hybride Architektur können sowohl kurzfristige als auch langfristige Abhängigkeiten gleichzeitig erfasst werden, was die Genauigkeit der Vorhersagen deutlich verbessert.

Bei Tests mit realen Stromverbrauchsdaten mit einer Auflösung von 10 Minuten erzielte LAD‑BNet einen MAPE von 14,49 % für einen Vorhersagehorizont von einer Stunde. Die Inferenzzeit beträgt lediglich 18 ms auf der Edge‑TPU, was eine Beschleunigung von 8‑12 mal gegenüber einer CPU bedeutet. Das Modell kann Vorhersagen bis zu 12 Stunden vorausberechnen, wobei die Leistung nur moderat abnimmt. Im Vergleich zu klassischen LSTM‑Modellen verbessert sich die Genauigkeit um 2,39 % und gegenüber reinen TCN‑Architekturen um 3,04 %. Der Speicherbedarf liegt bei rund 180 MB, was für die meisten eingebetteten Geräte geeignet ist.

Diese Fortschritte eröffnen neue Möglichkeiten für die industrielle Anwendung in Echtzeit‑Energieoptimierung, Lastmanagement und betrieblicher Planung. LAD‑BNet bietet damit eine robuste, schnelle und ressourcenschonende Lösung für die Herausforderungen moderner Smart‑Grid‑ und Gebäudeautomationssysteme.