Anomalien erkennen, ohne Verbrauchsdaten zu teilen: Federated Learning für Abrechnungs- und Messdaten

Abrechnungs- und Verbrauchsdaten gehören zum Sensibelsten, was ein Versorger verwaltet: Sie sind personenbezogen, regulatorisch eng geführt und für die Kundenbeziehung zentral. Zugleich stecken in ihnen Fragen, die sich mit besseren Modellen spürbar günstiger beantworten ließen – wenn nur genug Beispiele da wären.

Das Problem: die auffälligen Fälle sind selten

Was man eigentlich finden möchte, ist die Ausnahme: ein manipulierter Zähler, ein schleichender Defekt, eine implausible Ablesung, ein Abrechnungsfehler. Genau diese Fälle sind in den eigenen Daten selten und uneinheitlich – und damit ein schwaches Trainingssignal:

• Echte Manipulations- oder Betrugsfälle tauchen pro Versorger nur vereinzelt auf.
• Fehlerbilder hängen an Zählertyp, Messsystem, Kundensegment und Ablesepraxis – sie unterscheiden sich von Haus zu Haus.
• Für die Schätzung fehlender oder unplausibler Werte braucht es Muster aus vielen Verläufen, nicht nur aus dem eigenen Bestand.

Das Ergebnis: Jeder Versorger trainiert auf zu schmaler Basis – oder verlässt sich auf grobe Regeln statt auf lernende Modelle.

Warum Federated Learning hier besonders passt

Mehr Beispiele gäbe es genug – sie liegen bei den anderen Versorgern. Nur: Verbrauchs- und Abrechnungsdaten gibt niemand heraus, und das zu Recht. Genau dieser Konflikt ist der Kern von Federated Learning: Das Modell lernt die Anomalie- und Verlaufsmuster über viele Versorger hinweg, während die Rohdaten lokal bleiben. (Wie das technisch funktioniert, steht im Beitrag Federated Learning Schritt für Schritt.)

Drei Anwendungen liegen besonders nahe:

• Anomalie- und Manipulationserkennung: seltene Auffälligkeiten werden über die gemeinsame Datenbasis überhaupt erst lernbar.
• Schätzwert- und Ersatzwertqualität: fehlende oder gestörte Messwerte lassen sich aus breiter gelernten Verlaufsmustern besser ersetzen.
• Datenqualität und Plausibilisierung: systematische Erfassungsfehler fallen im Vergleich über viele ähnliche Profile schneller auf.

Sensibel – und deshalb der richtige Fall

Gerade weil diese Daten so schützenswert sind, ist datenschutzwahrende Kooperation hier kein Kompromiss, sondern die Voraussetzung dafür, dass Zusammenarbeit überhaupt denkbar wird. Wer hier gemeinsam lernen will, sollte den Schutz der ausgetauschten Modell-Updates bewusst gestalten – Verfahren dafür gibt es, mit abwägbaren Kosten.

Und es bleibt die Partnerfrage: Gemeinsames Lernen trägt am meisten zwischen Versorgern mit vergleichbarer Zähler- und Messstruktur und ähnlichen Fragestellungen. Wen man dafür zusammenbringt, ist kein Zufall – sondern genau die Aufgabe, der sich fedolink widmet (mehr dazu im Whitepaper).

---

Wie passende Partner zueinanderfinden und was ein gutes „Match” ausmacht, steht im Whitepaper. Neue Beiträge gibt es per RSS-Feed.