Mit Wert integriert

Management

Smart Energy - Es gilt, den Rohstoff Daten auf intelligente Art und Weise zu handlungsrelevanten Informationen zu verknüpfen, um diese im Rahmen neuer datengetriebener Leistungsangebote Smart Services zu monetisieren. Wichtig im Umgang mit Big Data ist zudem, ein Bewusstsein für das Potenzial der Daten aus den Smart-Energy-Projekten zu haben.

31. August 2015

Aus Smart-Meter- und Smart-Grid-Infrastrukturen fällt künftig eine Fülle von Daten an, deren Analyse für alle Wertschöpfungsbereiche der Energiewirtschaft im Wortsinne wertsteigernd ist. So lässt sich mit der geeigneten Datenverknüpfung etwa eine verlässliche Wind- und Photovoltaik-Erzeugungsprognose und damit eine adaptive Einspeiseregelung umsetzen.

Für die Energielogistik lassen sich knotenscharfe Erzeugungs- und Lastprognosen aufstellen. Berücksichtigen die Unternehmen betriebswirtschaftliche Kennzahlen, kann so ein optimierter Ausbau der Verteilnetze erfolgen, der in puncto Kapazität und Laststeuerung auch ökonomische Aspekte inkludiert.

Kosten optimieren

Daten aus dem kontinuierlichen Netz-Monitoring machen wiederum eventuelle Unstimmigkeiten direkt sichtbar. Dies befähigt zu einer Überlastungs- und Störungsvorhersage, um die Betriebs- und Wartungskosten zu optimieren. Unter dem Strich ermöglichen es Big Data und die Analyse der Daten Unternehmen, aus ihren Anlagen und Infrastrukturen einen optimalen Ertrag bei minimalem Verschleiß zu erwirtschaften.

In der Energienutzung lässt sich über Feedbacksysteme ein leistungsfähiges Effizienz-Monitoring etablieren, um ein optimales Speicher- und Lastmanagement aufzubauen. Intelligente Vermarktungsprozesse können gleichfalls einen wertvollen Beitrag liefern, um Verbrauch und Erzeugung abzustimmen.

Neue Tarife und Kundenverständnis

Die Kombination kundenbezogener Daten, gegebenenfalls angereichert um Informationen aus sozialen Netzen, führt zu einem tieferen Kundenverständnis.

Neben Cross/Up-Selling für attraktive Bündelprodukte eröffnet dies die große Chance, die Effizienz durch geschickte Tarifierung auch im indirekten Einspeise- und Lastmanagement zu verbessern. Ebenso sind Vorhersagen zu Kundenwechselbewegungen möglich. Auf deren Basis können geeignete Maßnahmen zur Kundenbindung etabliert werden.

Es ist offensichtlich, dass die beschriebenen Prozesse ihren Nutzen daraus ziehen, Anwendungen und Daten zu kombinieren, die ansonsten unabhängig voneinander in Unternehmen verwaltet werden. Wie dieses Zusammenspiel wirkt, lässt sich am Beispiel der Smart-Metering-Lösungen von BTC aufzeigen.

Den Kern bildet die Advanced-Metering-Management-Produktlinie AMM. Sie umfasst das Management und die Konfiguration der intelligenten Messsysteme. Enthalten sind zudem Lösungen zur sicheren Administration der Smart Meter Gateways sowie zum Management der Messdaten und Steuerungssysteme. Über Service-basierte Schnittstellen und Middleware (ESB) wird das Bereitstellen der Messdaten gesteuert sowie die Stammdaten ausgetauscht.

SAP-Systeme lassen sich über die SAP-MDUS-Schnittstelle (Meter Data Unification and Synchronization) oder SAP-IM4G-Schnittstelle (Intelligent Metering for Germany) verbinden. Diese Schnittstellen kapseln die kaufmännischen Systeme von der heterogenen Metering-Welt ab, sodass beispielsweise nur die abrechnungsrelevanten Daten in SAP IS-U übernommen werden müssen. Über Standardschnittstellen werden weitere Fachanwendungen wie Kundenfeedback-, Netzleit-, Archiv- und BI-Systeme auch mit Messdaten versorgt.

Vier-Ebenen-Aufbau des Systems

Smart-Metering-Lösungen sind selbstverständlich keine Big-Data-Lösung im puristischen Sinne, auch wenn die zu verwaltenden Datensätze aus den intelligenten Stromzählern schnell höhere zweistellige Millionenwerte im Jahr erreichen. Aus den Erfahrungen, die BTC in zahlreichen ähnlich gelagerten Projekten im Energieumfeld gemacht hat, kristallisiert sich ein Vier-Ebenen-Aufbau als praktikabelste Systemarchitektur heraus: Datenquellen (etwa der Zugang zu Messsystemen mittels AMM/MDM), Integrationsschicht (Messaging Bus/Enterprise Service Bus), Analyse-/Datenebene (Big-Data-Plattform) und spezialisierte Fachanwendungsschicht.

Systeme wie AMM/MDM oder SCADA sorgen dafür, dass Datensätze aus Sensoren und intelligenten Messsystemen vollständig und konsistent sind. Das ist eine ihrer Stärken. Fallen Informationen beispielsweise aufgrund einer zeitweise gestörten GPRS-Verbindung nur unvollständig an, sind die Lücken im Datenstream zu kennzeichnen oder sinnvoll zu füllen. Andernfalls droht die Gefahr, dass das Analyseergebnis verfälscht wird und zu falschen Schlüssen verleitet.

Die genannten Systeme werden somit zu einem wichtigen Element der Qualitätssicherung und Glaubwürdigkeit – Veracity, wie es im englisch geprägten Big-Data-Jargon heißt. Die externen Datenquellen werden von den eigentlichen Anwendungen abgetrennt.

Sinn und Zweck der Integrationsschicht ist es, die in den Quellsystemen anfallenden Daten für die Big-Data-Umgebung verarbeitbar zu machen. In der Energiewirtschaft werden in der Regel Daten wie Messwerte und Zählwerte mit Zeitstempeln gesammelt. Im nächsten Schritt muss das System diese gegebenenfalls in normierte Messwerte konvertieren, damit sie sich für die Analyse überhaupt mit Daten aus weiteren Quellen kombinieren lassen. Aufgabe der Integrationsschicht ist daher ein geeignetes Datenformat für Big-Data-Systeme herzustellen. Dieses beinhaltet unter anderem eine Annotation, die es erlaubt, die Daten nach Herkunft und Güte zu klassifizieren.

Integration als Herausforderung

Abhängig vom gewünschten Integrationsgrad ist der Aufbau der Integrationsschicht eine anspruchsvolle und beratungsintensive Arbeit, die nicht unterschätzt werden sollte. Denn die IT-Landschaft eines Energieversorgers setzt sich zu einem Gutteil aus gewachsenen heterogenen Systemen mit proprietären Protokoll-Interpretationen zusammen.

In der Regel ist nicht davon auszugehen, dass Big-Data-Umgebungen von Haus aus mit den Schnittstellen ausgestattet sind. Aus diesem Grund ist es auch ratsam, die Integrationsebene in der eigenen Domäne zu verwalten, da die gewachsenen Strukturen nicht für den geschützten Datenaustausch mit externen Systemen über das Internet ausgelegt sind.

Das Big-Data-System selbst, zu dem die Integrationsebene die Daten sicher transferiert, kann dagegen im ersten Schritt durchaus als Cloud-Service bezogen werden. Auf diesem Weg vermeiden Unternehmen die hohen Einstiegsinvestitionen, wenn sie erste Analyseschritte in dem noch jungen Anwendungsfeld wagen, um Zusammenhänge in ihren Daten zu entdecken. Finden sie diese, können die Effizienz und Effektivität ihrer Leistungen optimiert werden.

Wichtig hierbei ist ein gewisses Bewusstsein für das Potenzial von Daten. Insbesondere müssen Unternehmen dafür Sorge tragen, dass Daten aus den ersten Smart-Grid- und Smart-Meter-Pilotprojekten unter Berücksichtigung datenschutzrechtlicher Aspekte der Big-Data-Umgebung zugeführt werden. Auch wenn noch keine sofortige Auswertung erfolgen sollte.

Denn – und das ist die grundlegende Idee hinter dem Big-Data-Konzept: In den Daten der Pilotprojekte, beispielsweise zur Strom-Einspeisung aus privaten PV-Anlagen, kann sich so manche Information verbergen, die sich im Kontext mit anderen Daten zu einem späteren Zeitpunkt als ausgesprochen wertvoll erweist etwa zur Erzeugungs- und Einspeisungsprognose eines bestimmten Stadtviertels.

Dr. Michael Stadler & Dr. Markus Gerdes (BTC Business Technology Consulting AG)

Erschienen in Ausgabe: 07/2015