Explainable Energy: Enhancing Data Comprehension and Personalized Recommendations with LLMs

Abstract

Der österreichische Energiesektor verzeichnet ein Wachstum des Anteils erneuerbarer
Energiequellen an der nationalen Primärenergieproduktion. Die Nutzung dieser erneuerbaren Energiequellen könnte potentiell zu variablen Lastflusssituationen und schwer
vorhersagbaren Netzlasten führen. Endverbraucher, die zunehmend auch selbst Strom
produzieren, müssen sich in einer Vielzahl von Optionen und Regelungen innerhalb
des Energiebereichs zurechtfinden. Diese Komplexität kann es für den Einzelnen herausfordernd machen, den Überblick zu behalten und energiebewusst zu handeln, insbesondere angesichts der Herausforderungen beim Verständnis von Energiedaten und
deren Visualisierungen. Um die Lücke zwischen Energiedaten und Endverbrauchern zu
überbrücken, untersucht diese Arbeit das Potenzial der Nutzung von Large Language Models (LLMs) zur Generierung personalisierter, energiedatenbasierter textueller
Handlungsempfehlungen im Rahmen des INNOnet-Forschungsprojekts, das lastabhängige Netztarife untersucht. Es wird auch beleuchtet, wie die Fähigkeiten zur Textgenerierung öffentlich zugänglicher LLMs für diesen Anwendungsfall im Energiesektor genutzt
werden können. Der vorgeschlagene Proof-of-Concept-Ansatz umfasst modulare Prozessketten, die für verschiedene Nutzerbedürfnisse und Datentypen angepasst werden
können. Dokumentiert mithilfe von UML-Aktivitäts- und Turtle-Diagrammen beschreiben diese Prozessketten die Abfolge der Tasks und promptbasierten Interaktionen mit
LLMs, die für die Erstellung der finalen Empfehlungen erforderlich sind. Eine Proof-ofConcept-Prototyp Applikation wurde mit dem LangChain-Framework entwickelt, welche die Implementierung des Prozesses zusammen mit den Vorverarbeitungsschritten,
wie der Erstellung textueller Zusammenfassungen von Daten, demonstriert. Der Prototyp wurde anhand von Empfehlungen, die in Testszenarien für authentische Personas
generiert wurden, subjektiv bewertet. Dabei wurden Faktoren wie die Übereinstimmung
mit den Eingabedaten, faktische Genauigkeit und Angemessenheit berücksichtigt. Die
Evaluierung zeigt, dass der Prototyp Ergebnisse liefern kann, die mit den bereitgestellten Daten übereinstimmen, und gleichzeitig Bereiche zur Optimierung identifziert, wie
die Verbesserung der Datenqualität, kontextueller Aspekte und inkonsistenter Strukturen. Allerdings sind diese Ergebnisse nicht konsistent oder genau genug um zuverlässig
vernünftige auf Energiedaten basierende Handlungsempfehlungen zu erstellen. Ein zukünftiger Ansatz könnte darin bestehen, Machine Learning (ML) Techniken zu nutzen,
um die Daten zu analysieren und Erkenntnisse daraus zu gewinnen. Anschließend könnten die Textgenerierungsfähigkeiten von LLMs genutzt werden, um diese analytischen
Ergebnisse in personalisierte und verständliche Empfehlungen zu übersetzen.

Datum der Bewilligung	2024
Originalsprache	Englisch (Amerika)
Betreuer/-in	Christoph Schaffer (Betreuer*in)