Die Erfassung und Analyse von Nutzerkontext ist ein großer Bestandteil der Forschung auf dem Gebiet der intelligenten Umgebungen. Kontext wird als die Menge von Bedingungen definiert, die eine bestimmte Situation charakterisieren, in der der Nutzer existiert. Ein Beispiel für Kontext ist die Aktivität, die gerade durch den Nutzer an seinem aktuellen Standort durchgeführt wird. Die Identifizierung des Nutzerkontexts ebnet den Weg für die Realisierung einer Vielzahl von kontextsensitiven Diensten, die die Lebensqualität des Einzelnen als auch ganzer Gesellschaften verbessern können. Um den Kontext des Nutzers zu extrahieren, wird in verwandten Arbeiten der Ansatz verfolgt, eine große Anzahl von Sensoren in der Umgebung einzusetzen, in der der Nutzerkontext erfasst werden soll. Beispiele für solche Sensoren sind Kameras, Mikrofone, Bewegungsmelder, Kontaktsensoren, Zustandsänderungssensoren und andere Arten von Sensoren, die jeden Aspekt des Nutzerkontexts überwachen. Allerdings wurde dieser Ansatz immer kritisiert, weil er großen Einsatz- und Wartungsaufwand verursacht. Darüber hinaus wird dieser Ansatz als invasive Methode von den Nutzern wahrgenommen, weil sie sich umgebend von allen möglichen Arten von sichtbaren Sensoren unwohl fühlen.

Die Einführung von Smart-Metering-Technologien einhergehend mit der Innovation von Stromsensoren, die in der Lage sind den fein-granularen Stromverbrauch einzelner Geräte in intelligenten Umgebungen zu messen, hat in den letzten Jahren stark zugenommen. Als Ergebnis meiner Arbeit hat sich die fein-granulare Erfassung des Stromverbrauchs als neue Erfassungsmodalität herausgestellt, die die oben genannten Probleme der anderen Erfassungsmodalitäten vermeidet. Eines der wichtigsten Ziele dieser Arbeit war es, intelligente Modelle zu entwickeln, die in der Lage sind, herausfordernde und wesentliche Aspekte des Nutzerkontexts - sowohl für einzelne Nutzer als auch für mehrere Nutzer und sowohl für einzeln als auch parallel durchgeführte Aktivitäten - anhand der fein-granularen Erfassung des Stromverbrauchs zu erkennen und vorherzusagen.

Aktivitäten des täglichen Lebens stellen einen wesentlichen Teil des Nutzerkontexts dar. Kontextbewusste Dienste wie beispielsweise zur Energieeinsparung in intelligenten Umgebungen und umgebungsunterstütztes Leben können auf Basis der Erkennung der aktuellen Nutzeraktivität realisiert werden. In dieser Arbeit wird SMARTENERGY.KOM konzipiert und entwickelt, eine intelligente Hardware/Software Plattform für die Erkennung von Nutzeraktivitäten in Einzelnutzer-Umgebungen. Es wird ein Aktivitätserkennungsmodell erstellt und basierend auf einem Datensatz, der durch den Einsatz von SMARTENERGY.KOM in zwei Einzelnutzer-Wohnungen gesammelt wird, wird seine prädiktive Performanz bewertet. Als ein wesentlicher Teil dieser Arbeit wird eine gründliche analytische Studie über den SMARTENERGY.KOM-Datensatz mit drei wichtigen Beiträgen durchgeführt, das sind die Modellierung des täglichen Benutzerverhaltens, Lokalisierung in Gebäuden basierend auf fein-granularen Stromverbrauchsdaten und die Profilierung des stündlichen Stromverbrauchs. Menschen neigen dazu, eine tägliche Routine bei der Durchführung ihrer Aktivitäten zu verfolgen, die Identifizierung von Verhaltensmustern hilft dabei, die prädiktive Performanz der Aktivitätserkennungsmodelle zu verbessern. Daher wird einen Ansatz entwickelt, der solche Verhaltensmuster identifizieren kann. Die Auswertungsergebnisse zeigen, dass die Integration dieser Muster in das Aktivitätserkennungsmodell zu einer deutlichen Verbesserung der prädiktiven Performanz dieses Modells führt. Lokalisierung in Gebäuden ist ein weiterer wichtiger Aspekt des Nutzerkontexts, der die Realisierung von standortbezogenen Dienste ermöglicht. Es wird ein Lokalisierungsmodell entwickelt, welches in der Lage ist, den Aufenthaltsort der Nutzer in Gebäuden basierend auf ihrem fein-granularen Stromverbrauch zu bestimmen. Der Aufbau eines Profils, das den durchschnittlichen, stündlichen Stromverbrauch charakterisiert, ermöglicht es, das Bewusstsein für den Stromverbrauch zu erhöhen, sowie ungewöhnliche Konsummuster zu entdecken. Angetrieben von dieser Motivation, wird in dieser Arbeit der Ansatz verfolgt, dieses Profil auf Basis von SMARTENERGY.KOM-Datensatz zu identifizieren und zu erstellen.

Neben überwiegend einzeln genutzten Wohnungen gibt es viele Orte, an denen gemeinsam gelebt bzw. gearbeitet wird. Damit müssen Aktivitätserkennungsmodelle auch überlappende Aktivitäten mehrerer Nutzer erkennen und ihrem jeweiligen Nutzern zuordnen. Dies stellt eine große Herausforderung auf dem Gebiet der Aktivitätserkennung dar. Diese Arbeit befasst sich daher mit dieser Herausforderung durch die Entwicklung von MLSMARTENERGY.KOM, unsere Plattform für die Aktivitätserkennung in Multi-Nutzer-Umgebungen. Das Aktivitätserkennungsmodell wird basierend auf dem Konzept der Multi-Label-Klassifikation entwickelt, das die Abhängigkeit von Klassen und die zeitlichen Beziehungen zwischen den Aktivitäten ausnutzt.

Die Vorhersage des fein-granularen Stromverbrauchs einzelner Verbraucher stellt einen weiteren Aspekt des Nutzerkontexts dar, der verschiedene potenzielle Vorteile für die Verbraucher als auch Stromversorger bietet. In dieser Arbeit werden Vorhersagemodelle entwickelt, die in der Lage sind, stündliche, tägliche, und monatliche Stromverbräuche der einzelnen Gebäude auf Basis von Gebäudeeigenschaften, demographischen Merkmalen der Bewohner, verfügbaren Geräten sowie historischen Stromverbrauchswerten vorherzusagen. Diese Modelle werden auf Basis des von der Commission for Energy Regulation (CER) in Irland gesammelten Datensatzes evaluiert.