Dr. Alona Zharova

Dr. Alona Zharova erforscht, wie Privathaushalte und Städte ihren Energieverbrauch senken und CO₂-Emissionen reduzieren können. Sie entwickelt intelligente Empfehlungssysteme, die Bewohner durch verständliche, nachvollziehbare Vorschläge dazu bewegen, ihre Geräte zeitlich optimal zu nutzen (Lastverschiebung) — etwa Waschmaschine oder Heizung zu günstigeren oder CO₂-ärmeren Zeiten einzuschalten. Parallel analysiert sie, welche Klimaschutzmaßnahmen für verschiedene Stadttypen (schrumpfend, wachsend, etabliert, Metropolen) tatsächlich passen und umsetzbar sind. Ihre Forschung verbindet Datenanalyse, Verhaltensökonomie und urbane Systemplanung und richtet sich an Energieversorger, Smart-Home-Anbieter, Stadtplaner und die öffentliche Hand.

🔒 Das System hat 302 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Plattform zur Förderung von Energieeffizienz und CO2-Reduktion in Privathaushalten

  Quelle ↗

  Förderer: Andere inländische Stiftungen Zeitraum: 01/2025 - 12/2025 Projektleitung: Dr. Alona Zharova

• Nachfrageflexibilität und Lastmanagement als Klimaschutzbeschleuniger

  Quelle ↗

  Förderer: Öffentliche Förderorganisationen anderer Länder Zeitraum: 04/2026 - 03/2027 Projektleitung: Dr. Alona Zharova

• Utility-based context-aware multi-agent recommendation system for energy efficiency in residential buildings

  2024

  Information Fusion · DOI

  A significant part of CO2 emissions is due to high electricity consumption in residential buildings. Using load shifting can help to improve the households’ energy efficiency. To nudge changes in energy consumption behavior, simple but powerful architectures are vital. This paper presents a novel algorithm of a recommendation system generating device usage recommendations and suggests a framework for evaluating its performance by analyzing potential energy cost savings. As a utility-based recommender system, it models user preferences depending on habitual device usage patterns, user availability, and device usage costs. As a context-aware system, it requires an external hourly electricity price signal and appliance-level energy consumption data. Due to a multi-agent architecture, it allows for easy integration of new agents, enabling seamless functionality expansion, or the disabling of existing agents to tailor the system to specific needs. Empirical results show that the system can provide energy cost savings of 18% and more for most studied households.

• Data-driven support for policy and decision-making in university research management: A case study from Germany

  2022

  European Journal of Operational Research · DOI

• How to measure the performance of a Collaborative Research Center