Smart Data in der Energiewirtschaft - Thesenpapier der Projektgruppe Smart Data in der Fokusgruppe Intelligente Vernetzung Plattform "Innovative ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Smart Data in der Energiewirtschaft Thesenpapier der Projektgruppe Smart Data in der Fokusgruppe Intelligente Vernetzung Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel
Smart Data in der Energiewirtschaft
1. Ausgangssituation – Smart Data im
Umfeld Energie
Big Data sowie Data Analytics entwickelt sich in fast Datenvielfalt erhöhen. Jedoch muss bei allen weite-
allen Branchen zu einer neuen Königsdisziplin, mit ren Betrachtungen berücksichtigt werden, dass es
der Geschäftsprozesse, Kundenverhalten oder interne sich entweder um Kundendaten handelt oder Daten
Unternehmensabläufe analysiert und weiter optimiert aus dem technischen Umfeld der Energieversorgung
werden können. Der exponentielle Anstieg an Daten stammen. Hier stehen sowohl der Schutz der Kunden-
in allen Bereichen befördert diesen Prozess und bietet daten als auch die Sicherheit der Energieversorgung im
Data Analytics-Tools ein ausreichendes „Futter“ für Vordergrund. Insbesondere der Trennung von Netz und
neue Untersuchungen. Abbildung 1 stellt dar, wie sich Vertrieb, dem sogenannten Unbundling, muss deutlich
die Datenvielfalt im Verlauf der Jahre verändert hat und Rechnung getragen werden.
noch weiter verändern wird. Dabei werden die Infor-
mationen in allen Bereichen immer kleinteiliger und Der stetige Zuwachs von erneuerbarer Energien sowie
personenbezogener. Wenn in den 1980ern die Daten der anstehende Smart-Meter-Rollout wird sich auf die
eher objektorientiert und sachbezogen waren, aber we- Datenmenge, ihre Qualität und Quantität auswirken.
nig Personenbezug hatten, haben sie bereits heute den
Privatbereich erobert und werden in sozialen Medien Daraus lassen sich neue Vertriebsprodukte entwickeln,
freiwillig und meistbietend angeboten. die dem Kunden zusätzliche Informationen zu seinem
Energieverbrauch zur Verfügung stellen oder Energie-
Fokussiert man sich auf die Energiebranche, so zeigt effizienzmaßnahmen vorschlagen. Vertrieblicherseits
sich, dass sich auch hier die Datenmenge und die besteht nun die Möglichkeit, noch stärker auf die Be-
Abbildung 1: Der Zuwachs an Daten steigt über die Zeit exponentiell an (Quelle: IBM)
2050
> 100 Billion
2020
30 Billion
2014
2009 10 Billion
2003 2,5 Billion
1975 500 Million
1950
10.000
5.000
2dürfnisse der Kunden einzugehen und ihnen quasi maß- unter 10 Minuten pro Jahr. Zum Monitoring derartiger
geschneidert das passende Energieprodukt anzubieten. Unterbrechungen wurden die Verfügbarkeitsindizes wie
Auch netzseitig steigt der Bedarf an Zustandsdaten aus • System Average Interruption Duration Index (SAIDI)
dem Übertragungs- und insbesondere aus dem Verteil- • System Average Interruption Frequency Index (SAIFI)
netz. Die Energiewende findet in nicht geringem Maße • Customer Average Interruption Duration Index (CAIDI)
im Verteilnetz statt, eine Vielzahl von Photo-Voltaik-
Anlagen oder einzeln stehende Windturbinen müssen eingeführt. Hierbei zahlen alle drei genannten Indizes auf
gemanagt werden. Man wird zusehen müssen, dass die gesamte energiewirtschaftliche Wertschöpfungskette
Verbrauch und Erzeugung stärker in Einklang gebracht ein. Eine automatisierte und damit regelmäßige Erfas-
werden müssen. Damit sind qualitativ hochwertige sung dieser Indizes unter Berücksichtigung von weiteren
Daten nicht nur hilfreich sondern dringend notwendig. Informationen ergibt neben den regulatorischen Anforde-
Die Abbildung 2 zeigt beispielhaft, wie den zu lösenden rungen einen weiteren Nutzen für den Netzbetreiber. So
Aufgaben auch Chancen und Risiken gegenüberstehen. lassen sich z. B. bei der Verschneidung von technischen
Netzdaten und nichttechnischen Umgebungsdaten Rück-
Die Versorgungssicherheit ist ein hohes Gut. Versorgungs- schlüsse auf Verbrauchsanstiege in bestimmten Regionen
unterbrechungen liegen in Deutschland im Mittel deutlich oder den Zuwachs von Erneuerbaren Energien schließen
Abbildung 2: Data Analytics erhält in der Energiebranche eine wachsende Bedeutung (Quelle: RWE)
Smart-Meter-
Rollout steht
Zuwachs vor der Tür
Verfahren
an Daten
zur Datenanalyse
im Energieumfeld
verbessern sich
entwickeln sich
stetig
rasant
Energiegeschäfte
lassen sich durch Data IT-Plattformen
genauere und zeitnä- stehen bereits
here Informationen
Analytics zur Verfügung
optimieren
Internet-
Unbundling-
Branche zeigt
Vorgaben
bereits neue
sind zu
Geschäftsmodelle
beachten Datenschutz
auf
besitzt einen Heraus-
sehr hohen forderungen
Stellenwert Aufgaben
Chancen
Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 3
Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart DataSmart Data in der Energiewirtschaft
oder prognostizieren. Neben den Erkenntnisgewinnen zur che Nutzung dieser Daten würde leicht die Verfügbarkeit
verbesserten Planung spielen Daten im Netzgeschäft eine und Zuverlässigkeit unserer Energieversorgung und das
zunehmend wichtige Rolle. Das Kategorisieren, Analy- Vertrauen der Energiekunden auf das Spiel stellen.
sieren und Evaluieren von Störmeldungen unterstützt
die Netzführung, die Verfügbarkeit bei gleichem Niveau Bei der Bewertung von Big Data im Bereich der Ener-
kosteneffizient sicherzustellen. Um diese und ähnliche gieversorgung muss die gesamte Wertschöpfungskette
Aufgaben im Rahmen der Energieversorgung nutzen zu betrachtet werden (siehe Abbildung 3).
können, müssen alle notwendigen Daten in der ausrei-
chenden Menge, Tiefe und Qualität erhoben werden. Nachfolgend werden die unterschiedlichen energiewirt-
Sowohl im Vertriebs- als auch im Technikbereich (Netz schaftlichen Wertschöpfungsstufen näher beleuchtet,
und Erzeugung) liegt bereits heute eine Vielzahl von Daten um sowohl die Chancen als auch Risiken von Big Data
vor, die entweder zur vertrieblichen Rechnungsabwicklung in dem jeweiligen Umfeld aufzuzeigen.
oder zur Anlagenüberwachung genutzt werden.
Der Ansatz von Big Data geht jedoch einen Schritt 1.1 Smart Data im Vertriebsgeschäft
weiter. Daten, die heute in technischen oder kaufmän- Für jeden Vertrieb ist es ein Haupterfolgsfaktor, die
nischen Prozessen genutzt werden, lassen sich über Bedürfnisse seiner Kunden zu kennen, um daraufhin
ihre eigentliche Notwendigkeit ihrer Erfassung hinaus die passenden Produkte entwickeln und anbieten zu
weiterverwenden. Ihre Nutzbarkeit hängt im Wesentli- können. Die Verschneidung unterschiedlicher Daten-
chen davon ab, ob diese Daten den Qualitätsansprüchen quellen aus öffentlich zugänglichen Quellen sowie
der verwendeten Big-Data-Tools entsprechen. Hierbei aus Datenquellen, die dem Vertrieb vom Kunden zur
spielen die Datenqualität, ihre Granularität und ihre Verfügung gestellt wurden, lassen sich Produktbedürf-
Verwendbarkeit aus datenschutzrechtlicher Sicht eine nisse ableiten und neue Produkte verproben. Insbeson-
wesentliche Bedeutung. Nicht alle Daten, die einem dere bei energieaffinen Kunden mit Bedarf nach hoher
Unternehmen zur Verfügung stehen, dürfen aus rechtli- Energieeffizienz oder Energieerzeuger – sogenannte
cher Sicht genutzt oder zur weiteren Nutzung an Dritte Prosumer – besteht der Wunsch nach mehr Informati-
weitergegeben werden. Neben personenbezogenen on und Transparenz. Die Erfüllung dieser Bedürfnisse
Daten unterliegen technische Daten zur Steuerung der verlangt nach einer ausgeprägten Visualisierung der
Energienetze sowohl im Übertragungs- als auch im Ver- Energiedaten zur Energiesituation des Kunden und nach
teilnetzbereich einem hohen Schutz. Die missbräuchli- einer Möglichkeit zur Ableitung weiterer Handlungs-
Abbildung 3: Big Data beeinflusst die gesamte energiewirtschaftliche Wertschöpfungskette (Quelle: RWE)
Energiewirtschaftliche Wertschöpfungskette
Kunde Advanced Metering Verteilung Übertragung Erzeugung
4empfehlungen. Was bis vor kurzem noch mit einem Verfügbarkeit mit den geringsten Ausfallraten in Europa
„Commodity-Geschäft“ umschrieben werden konnte, zeigt, dass die Energienetze in Deutschland bereits einen
entwickelt sich zukünftig zu einem kleinteiligen und sehr hohen Qualitätsstandard erreicht haben. Die neuen
komplexen Vertriebsgeschäft auf der Basis unterschied- Herausforderungen der Energiewende, mit mehr dezen-
licher Kundenbedürfnisse und einer sich verändernden traler Einspeisung und steigender Volatilität und dem
Wettbewerbssituation. Es ist zu erwarten, dass daten- damit verbundenen Paradigmenwechsel der Energieer-
getriebene aber weniger energieaffine Unternehmen in zeugung von großen Kraftwerken hin zu kleinen dezent-
den Energiemarkt einsteigen werden, um dem Kunden ralen Einheiten und verbraucherfernen Windparks, führen
die genannten Zusatzangebote zu unterbreiten. im Netz unweigerlich zu mehr Regelungsbedarf und
Eingriff in die Netzabläufe. Der damit verbundene Bedarf
Neben den klassischen Kundenstammdaten können an zusätzlichen Daten eröffnet auch im Netzbereich ein
bei einer Weiterentwicklung des vertrieblichen Produkt- weites Feld an neuen Potenzialen im Energie-Monitoring
portfolios auch Daten aus sozialen Netzwerken genutzt und in der erweiterten Steuerung von Netzkomponenten.
werden, mit derer Hilfe Kundenbedürfnisse noch besser Neben den bereits heute eingesetzten Maßnahmen und
erfasst werden können. Insbesondere die Prädiktion von Rechentools unterstützt Smart Data im Übertragungs-
Kundenbedürfnissen wird aus vertrieblicher Sicht zu einer und Verteilnetz den Erkenntnisgewinn durch die zusätzli-
zunehmend wichtigen strategischen Herausforderung, die che Verschneidung von Informationen. Insbesondere der
zukünftig zu einem wichtigen Wettbewerbsfaktor wird. Verteilnetzbetreiber (DSO: distribution system operator)
sieht sich aufgrund der hohen Dezentralität der erneuer-
1.2 Smart Data im Übertragungs- und baren Energien vor neue Herausforderungen gestellt,
Verteilnetz denen er mit einem neuen Zukunftsbild (siehe Abbildung
Das Übertragungs- und Verteilnetz stellt die Basis 4) begegnen will.
unserer heutigen Energieinfrastruktur dar. Die hohe
Abbildung 4: Der Verteilnetzbetreiber (DSO) in seiner neuen Rolle als Energiedaten-Manager (Quelle: RWE)
DSO
Asset Manager, Verantwortlicher für
erweitert
Netzführer die Systemsicherheit
Manager Netznutzung, neu Zuständig für Bilanz-
erweitert erweitert
Abrechnung Energie- ausgleich, Mehr-/
mengen, EEG, KWK, Lastmanager als Manager von Mindermengen, Verluste,
Market Operator1) Dienstleistung für Fokus „Kundenbe- EEG-, KWK-Einspeisung
Vertriebe und TSO, ziehungen“ Eigenbedarf, Differenz-
Metering Operator Erweiterter
Smart Grid Operator bilanzierungen
Energie-
Datenmanager
Aggregatoren, TSOs, DSOs Netznutzer Vertriebe Bilanzkreis- Service BNetzA,
Anbieter von (Konsumenten, Produ- verantwortliche Provider Konzessionsgeber
Flexibilitäten zenten, Prosumer)
Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 5
Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart DataSmart Data in der Energiewirtschaft
Neben seinen heutigen „Standard“aufgaben sieht sich Z. B. werden heutige Windkraftanlagen verstärkt an
der Verteilnetzbetreiber zukünftig auch in der Rolle klimatischen Extremstandorten installiert, um eine ent-
eines Energiedatenmanagers, also einem Plattformbe- sprechend hohe Windausbeute gewähren zu können.
treiber von Energiedaten, die er sowohl für sich selbst Um unter den bekannten schwierigen Bedingungen von
als auch für Dritte sammelt und unter Berücksichtigung Wartungsarbeiten in diesem Umfeld gerecht zu wer-
von Datensicherheit und Datenschutz weiterverteilt. den, werden derartige Turbinen mit Ferndiagnose- und
Perspektivisch legen erste Untersuchungen in den Fernsteuermöglichkeiten ausgestattet, die eine Vielzahl
Bereichen Asset Management und Betrieb (Operation) von Daten zur Anlage erheben. Somit lassen sich Un-
die Vermutung nahe, dass die Verschneidung von Daten stimmigkeiten, die auf frühzeitige Schäden hinweisen,
aus diesen Bereichen sowohl mit weiteren technischen rechtzeitig erkennen. So lassen sich im Schnitt 80%
Daten als auch mit Daten aus dem Social Media-Um- der angezeigten technischen Probleme aus der Ferne
feld zusätzlichen Mehrwert liefern wird. beheben und kostenintensive Kontroll- und Wartungsar-
beiten vermeiden.
Bei aller Euphorie bleibt zu berücksichtigen, dass die
Sicherheit der Energieversorgung einen extrem hohen Moderne Methoden der Korrelationsanalyse und damit
Stellenwert besitzt und nicht durch „Experimente“ Smart Analytics unterstützen hierbei die Fehlerfrüher-
leichtfertig aufs Spiel gesetzt werden darf. Neben kennung und verhindern einen frühzeitigen Systemaus-
zusätzlichen Informationen für den Netzführer, z. B. im fall. Insbesondere rotierende/sich bewegende Kom-
Hinblick auf eine zu erwartende Einspeise- und Last- ponenten (z. B. in Kraftwerken) sind einem natürlichen
situation oder der Verbesserung von Lebensdauerab- Verschleiß ausgesetzt, die bei einem tatsächlichen
schätzungen bei Infrastrukturelementen der Energiever- Ausfall zu Störungen oder sogar zu Gefahrensituatio-
sorgung, kann auch im Netzbereich eine Verschneidung nen führen können, die unbedingt vermieden werden
von technischen Daten und Daten aus sozialen Medien müssen. Die Erfassung von entsprechenden Systempa-
zu einer Verbesserung der Kundenkontakte führen. Üb- rametern und deren Analyse führen zu einer deutlichen
licherweise erfahren die meisten Kunden kaum etwas Verbesserung der Betriebsführung und der Zuverlässig-
von ihrem Netzbetreiber, der leider erst bei Netzstörun- keit aller Komponenten. Letztlich unterstützt die Erhe-
gen ins Zentrum der Wahrnehmung gerät. Die heutige bung und Auswertung der Daten mittels Smart Data die
Kommunikation fast aller Energiekunden in sozialen Weiterentwicklung und Planung derartiger Anlagen.
Netzwerken lässt zu, seitens des Netzbetreibers diese
Kanäle dediziert zum einzelnen Kunden zu nutzen, um
ihm entsprechende Infor-mationen z. B. Wartungstermi-
ne oder Störungsereignisse mitzuteilen.
1.3 Smart Data bei der Energieerzeugung
Ähnlich wie bei anderen technischen Prozessen mit
rotierenden Teilen und verschleißenden Komponenten
entsteht im Bereich der Energieerzeugung der Bedarf
an weiteren zuverlässigen Aussagen zur Lebensdauer
und der Ausfallwahrscheinlichkeit der Komponenten.
Eine frühzeitige Fehlererkennung (predictive main-
tenance) sorgt für geringere Stillstandszeiten und zu
geringeren Kosten bei der Instandsetzung der Anlage.
62. Nutzenargumentation – Smart Data
schafft Mehrwert unter bestimmten
Voraussetzungen
Bereits in der Vergangenheit hat die Energieversor- und dem Unbundling muss noch erprobt werden, wie
gung einen hohen Aufwand in die Verbesserung ihrer Smart Data unter Einhaltung dieser Randbedingungen
Kundenbeziehungen und ihre technischen Anlagen erfolgreich ausgestaltet werden kann. Andere Branchen
gesteckt. Dabei wurden Methoden und Verfahren zeigen erste Erfolge und haben bereits erste wertstei-
entwickelt, denen wir heute u.a. die hohe Versorgungs- gernde Verfahren hausintern umsetzen können.
sicherheit verdanken.
Gerne genutzte Vergleiche von Energieversorgungs-
Smart Data konnte sich auf der Basis neuer Rechnerar- unternehmen außerhalb Deutschlands oder Europa
chitekturen, einem deutlich steigenden Datenaufkom- weisen auf deutliche Mehrwerte z. B. im predictive
men und neuen Algorithmen in der Korrelationsanalyse maintenance (vorausschauende Instandhaltung) oder
einen Namen in fast allen Branchen machen. Die outage management (Störungsbehebung) hin. Bestimm-
Energiewirtschaft ist neu in diese Thematik eingestie- te Rahmenbedingungen in Deutschland lassen jedoch
gen und verbindet damit die Hoffnung, dass die bisher eine direkte Analogie von z. B. amerikanischen Wert-
erlangten Optimierungen über die gesamte energiewirt- schöpfungsanteilen nicht zu, da viele Randbedingungen
schaftliche Wertschöpfungskette hinweg noch gestei- zwischen den Ländern sehr unterschiedlich sind. Allein
gert werden können. Durch geeignete Pilotversuche die Trennung von Netz und Vertrieb oder der hohe
(sogenannte Proofs of Concepts) soll in allen Bereichen Verkabelungsgrad führen zu unterschiedlichen Rahmen-
der Wertschöpfungskette aufgezeigt werden, ob und bedingungen und damit auch anderen Anforderungen
in wie weit sich Smart Data als mehrwertsteigernde bei Energieversorgern in Deutschland.
Maßnahme etablieren lässt.
Entscheidend für den Nutzen von Smart Data sind die
nachweislichen mehrwertstiftenden Verbesserungen
in den jeweiligen Teilbereichen der energiewirtschaft-
lichen Wertschöpfungskette. Aufgrund des hohen Si-
cherheitsbedarfs in der Energieversorgung, dem hohen
Anspruch an den Datenschutz bei den Kundendaten
Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 7
Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart DataSmart Data in der Energiewirtschaft
3. Datenschutz und rechtliche Aspekte
Allen Risiken von Big-Data-Anwendungen muss gezielt Datenrisiken überbewerten zu wollen, ist ein bedachter
begegnet werden. Hierbei ist zwischen nationalen und Umgang mit den Daten und den Rechentools vonnöten.
internationalen datenrechtlichen Rahmenbedingungen
zu unterscheiden. Eine Vielzahl von Daten fällt nicht
ausschließlich in den nationalen Rahmen, sondern 3.1 Unbundling - Trennlinie zwischen Netz
steht im internationalen Kontext. Bei einem grenz- und Vertrieb
überschreitenden Datenverkehr unterliegen so die
Datenbestimmungen den nationalen Regelungen des Unbundling, also die Trennung von Netz und Vertrieb,
jeweiligen Landes. stellt neben den allgemeinen datenschutzrechtlichen
Belangen eine weitere Hürde in der energiewirtschaft-
Neben dem Schutz von personenbezogenen Daten sind lichen Wertschöpfungskette dar, die kaum eine andere
auch die technischen Daten dem Zugriff unbefugter Dritter Branche kennt. Wie in Abbildung 5 dargestellt ist es
fernzuhalten. Die Daten müssen so sicher sein, dass sie dem Netzbetreiber nur erlaubt, Daten diskriminierungs-
nicht von potentiellen Angreifern manipuliert oder an frei Dritten zur Verfügung zu stellen. D.h., sollte „sein“
Dritte weitergegeben werden können. Daher müssen die direkter Vertrieb bestimmte Daten unter Einhaltung
Daten zu jeder Zeit in einem ausreichenden Maß gesichert aller datenschutzrelevanten Bedingungen nachfragen,
sein. Der Zugriff Unbefugter ist unbedingt zu vermeiden. muss der Netzbetreiber diese Daten jedem anderen
Vertrieb zu den gleichen (monetären) Bedingungen zur
Wenn Smart-Data-Tools eingesetzt werden sollen, ist die Verfügung stellen. Daher lässt sich aus Sicht des Ver-
Qualität der verwendeten Daten von entscheidender Be- triebes im eigenen Konzern kein direkter Wettbewerbs-
deutung. Innerhalb der jeweiligen Anwendung entscheidet vorteil aus dem Kauf von Daten bei „seinem“ Netzbe-
die Qualität der zur Verfügung gestellten Daten darüber, treiber ableiten. Die Unbundling-Regelung basiert auf
inwiefern nachfolgende Analysen für das Energieversor- dem Monopolstatus des Netzbetreibers.
gungsunternehmen wertvolle Ergebnisse liefern können.
Auch ein fehlerhaftes oder ein für den ausgewählten Da der Netzbetreiber als Anbieter von Daten aber auch
Prozess unpassendes Analyse-Tool oder fehlerhafte Mo- von Datenprodukten antritt, bestünde die Lösung des
dellannahmen führen zu einem falschen Modellansatz und jeweiligen Unbundling-Problems darin, dass er den
sorgen für unbrauchbare Ergebnisse. Gleiches gilt auch für nachfragenden Vertrieben oder Dritten keine Rohda-
unübersichtliche Big-Data-Modelle: Fehlinterpretationen ten sondern Datenprodukte, also Daten nach einem
von errechneten Ergebnissen oder eine Verfälschung, Veredelungsprozess anböte. Damit besteht auf Seiten
führen zu falschen Schlüssen und sind daher als kontra- des Netzbetreibers die Möglichkeit, eine weitere Wert-
produktiv und damit als unbrauchbar einzustufen. schöpfungsstufe bei sich zu behalten und die jeweiligen
Nachfrager individueller zu bedienen. Außereuropäische
Big Data/Smart Data ist mitnichten ein Selbstläufer. Energieversorgungsunternehmen kennen das Unbundling
Big Data bietet zukünftig große Chancen, Prozesse in in dieser strengen Form nicht, hier können Netz- und
der Energiewirtschaft weiter zu verbessern. Ohne die Vertriebsdaten in integrierten Unternehmen beliebig
8genutzt und korreliert werden, um Wettbewerbsvorteile des Ausbaus von Messsenoren besser ausgestattet
gegenüber Dritten herausarbeiten zu können. als das Verteilnetz. Im Zuge des Smart-Meter-Rollouts
und der Weiterentwicklung einiger Teilnetze in Richtung
„Smart Grids“, wird sich auch im Verteilnetz die Anzahl
3.2 KRITIS - der Schutz kritischer von datenliefernden Sensoren erhöhen.
Infrastrukturen
Energieversorgungsnetze unterliegen einem besonde- Gerade in Bezug auf neue Tarife, die überschüssige
ren Schutz und sind gegenüber potentiellen Angreifern Energie aus erneuerbaren Energien vermarkten, besteht
zu schützen. Um das Risiko eines möglichen Angriffs das Risiko, dass unbefugte Dritte den hohen Gleich-
möglichst klein zu halten, sind die operativen Daten zeitigkeitsfaktor in der Einspeisung oder im Verbrauch
(OT-Netz) des Versorgungsnetzes komplett vom sons- ausnutzen, um Verteilungsnetze in krimineller Absicht
tigen IT-Netz getrennt. Man spricht hierbei von einer über ihre Grenzen hinaus zu beanspruchen, und die
kritischen Infrastruktur (KRITIS). Gerade im Netzbereich Versorgungssicherheit großflächig zu gefährden. Zur
spielen diese Daten eine wesentliche Rolle für den Ein- Vermeidung von kritischen Netzzuständen lassen sich
satz von Smart-Data-Tools, da die Bewegungsdaten ei- ebenfalls Smart-Data-Analysetools einsetzen.
nen tiefen Einblick in die Assets der Energieinfrastruk-
tur geben. Bisher ist das Übertragungsnetz hinsichtlich
Abbildung 5: Unbundling, die rechtliche Trennung zwischen Vertrieb und Netz, stellt eine
weitere Hürde im Umgang mit Big Data dar (Quelle: RWE)
unternehmensintern Externer Markt
Netzbetreiber Retail, Trading
1. Datenveredelung für DSO 1. Datenverwendung aus eigenen
intern unkritisch Quellen unkritisch Daten- Daten-
2. Datenbeschaffung intern oder 2. Eigene Daten können weiter-
am externen Markt ist unkritisch gegeben werden
beschaffung geschäft
3. Rohdaten müssen ansonsten 3. Daten können vom externen bei Dritten mit Dritten
Dritten diskrimierungsfrei zur Markt zugekauft werden
Verfügung gestellt werden.
1 2 3 4 5 6
Plattform für Datenaustausch (z. B. Data Lake)
Beschaffung von Rohdaten aus dem Eigentum der jeweiligen Marktrolle
Lieferung von Datenprodukten an die jeweilige Marktrolle
Veredelungsprozess der Daten durch z. B. Smart Data/Data Analytics
Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 9
Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart DataSmart Data in der Energiewirtschaft 3.3 Datenschutz - Umgang mit sachbezogenen Daten und Personendaten Der Schutz von personenbezogenen Daten besitzt in Deutschland eine hohe Priorität. Dieses hohe Gut führt dazu, dass nur mit der Zustimmung der Kunden dessen Daten über die sonst üblichen Abrechnungszwecke hinaus genutzt werden können. Anonymisierte Daten jedoch führen dazu, dass deren Auswertung mittels Big-Data-Tools zu weniger werthaltigen Ergebnissen führen wie bei einer Verwendung der Originaldaten. Es muss daher situativ abgeklärt werden, welchen Status die Daten für eine sinnvolle Nutzung besitzen sollten. Daher sollte in jeder Situation der Kunde mit in den Prozess der Analyse einbezogen werden. Wenn er für sich einen Mehrwert sieht, wird er auch der Nutzung seiner Daten über die sonst üblichen Zwecke hinaus zustimmen. 10
4. Ausblick und Handlungsempfehlungen
Der rasante Anstieg von öffentlichen und technischen 4.1 Ausblick
Daten, die steigende Vernetzung von Assets sowie die Smart Data wird mit großer Wahrscheinlichkeit seinen
Ausgestaltung von Rechentools zur Verarbeitung dieser Platz in der Energiewirtschaft finden. Trotz einer Viel-
Daten führen unweigerlich zu einem Angebot von neuen zahl von Hürden wird es sinnvolle Applikationen geben,
Erkenntnissen – auch in der Energiewirtschaft. Nicht die für die Versorgungsunternehmen wertstiftend
alle Analogien aus anderen Branchen lassen sich direkt sein werden. Dazu wird es notwendig sein, geeignete
auf die Energiewirtschaft übertragen. Daher ist es für Anwendungsfälle zu finden, diese im Rahmen kleiner
die Energiebranche umso wichtiger, sich jetzt den neu- Projekte (Proofs of Concepts) zu untersuchen, um
en Her-ausforderungen zu stellen und im Rahmen von anschließend die dann anstehende Frage nach einer
Piloten den Mehrwert von Smart Data zu untersuchen. sinnvollen Systemarchitektur zu stellen. Die inhaltliche
Problemstellung sollte jedoch vor der Implementierung
Abbildung 6: Gartner Hype-Zyklus für sich entwickelnde Technologien (Quelle: Gartner)
expectations
Internet of Things
Natural-Language Question Answering
Wearable User Interfaces
Speech-to-Speech Translation Consumer 3D Printing
Autonomous Vehicles Cryptocurrencies
Smart Advisors Complex-Event Prozessing
Data Science
Big Data
Prescriptive Analytics
Neurobusiness
Biochips Content Analytics
Affective Computing Hybrid Cloud Computing
Gamification
Smart Robots Speech Recognition
Augmented Reality
3D Bioprinting Systems Consumer Telematics
Machine-to-Machine
Volumetric and Holographic Displays Communication
Software-Defined Anything Services 3D Scanners
Quantum Computing
Human Augmentation
Brain-Computer Interface Mobile Health Enterprise 3D Printing
Quantified Self Monitoring
Connected Home Activity Streams
Cloud Computing In-Memory Analytics
NFC Gesture Control
Smart Workspace
Virtual Reality
Virtual Personal Assistants
Digital Security
Bioacoustic Sensing
As of July 2014
Innovation Peak of Inflated Trough of Slope of Enlightenment Plateau of
Trigger Expectations Disillusionment Productivity
time
Plateau will be reached in:
less than 2 years 2 to 5 years more than 10 years 5-10 years
Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 11
Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart DataSmart Data in der Energiewirtschaft
einer Smart-Data-Plattformlösung stehen. Mit der Auswertung durch Data-Analytics-Tools ist heute fast
Durchführung von einzelnen kleinen Proof of Concepts immer eine Formatierung und Datenaufbereitung
zeigt sich der exakte Bedarf von Smart Data und die vorgeschaltet. Insbesondere sind Daten der Netzfüh-
Ausgestaltung der dazu notwendigen Daten. Gleicher- rung von den Daten der Büro-IT strikt getrennt, um
maßen zeigen auch kleine Smart-Data-Projekte, wie Missbrauch der Netzdaten zu verhindern. Alle Daten
es um die Quantität und die Qualität der Daten aus sollten verschlüsselt werden, um sie einem miss-
dem jeweiligen Energieumfeld bestellt ist. Es müssen bräuchlichen Zugriff zu entziehen.
Wege aufgezeichnet werden, aus denen hervorgeht, wie • Probleme bei der Datenqualität: bisher wurden im
mit den aufgezeigten Hürden wie Unbundling, Daten- Bereich der Energieversorgung Daten ausschließlich
schutz oder KRITIS umzugehen ist. Man sollte derzeit für eigene Zwecke (z. B. in der Netzsteuerung, für
von übersteigerten Erwartungen absehen und die zur die Energieabrechnung usw.) erhoben; analytische
Verfügung stehenden Smart-Data-Analytiken sachlich Verfahren erwarten eine hohe Datenqualität in Bezug
im Umfeld eines Energieversorgers prüfen. Wichtig auf ihre Auflösung, ihre Detailtiefe oder ihre Konsis-
dabei ist, dass die Mitarbeiter der Energieversorgungs- tenz. Hier muss durch Projekte erhoben werden, in
unternehmen, die sich seit Jahren mit der Auswertung wie weit sich Probleme zur Datenqualität zeigen und
der bereits vorliegenden Daten beschäftigen, in dem wie diese beschaffen sein muss, damit sie sowohl
vorliegenden Change-Prozess mitgenommen werden. aus Netz- als auch Vertriebssicht für Big-Data-An-
Betrachtet man den Gartner Hype-Zyklus (siehe Ab- wendungen genutzt werden können.
bildung 6), so hat Big Data noch nicht die Hürde des
„Tals der Tränen“ genommen, trotzdem besteht die Gesetzlich/politisch indizierte Hemmnisse liegen eher
Erwartung, dass Big Data in 5-10 Jahren als Standard im Bereich des Unbundling, also der Trennung zwischen
im Geschäftsleben etabliert sein wird. Netz und Vertrieb, sowie in den hohen Anforderungen
des Datenschutzes. Beide gesetzlichen Vorgaben sind
Die Energiebranche führt derzeit entlang der Wert- gesetzt und damit aus heutiger Sicht in absehbarer Zeit
schöpfungskette Proof of Concepts durch, um für sich nicht veränderbar.
die Wertigkeit von Big Data zu bestimmen.
Für Energieversorgungsunternehmen nimmt die Nutzung
ihrer eigenen Daten für Zwecke der Analytik weiter zu.
4.2 Handlungsempfehlungen Daher besteht für die gesamte Wertschöpfungskette der
Betrachtet man die vorliegenden Hemmnisse für eine Energieversorgung (Energieerzeugung – Energietransport
erfolgreiche Einführung von Big Data in die Energie- – Energieverteilung – Vertrieb) ein hoher Bedarf an einer
branche, so muss zwischen den unternehmensinternen Weiterentwicklung von Datenmodellen und der Analytik
und den gesetzlich/politisch indizierten Hemmnissen von historischen sowie aktuellen Daten.
unterschieden werden.
Von großer Bedeutung sind hier zunächst die Datenquali-
Unternehmensinterne Hemmnisse bei der Nutzung von tät sowie ihre Konsistenz zu sehen. Im Zuge der Aktivitä-
Big-Data-Anwendungen lassen sich beispielhaft wie ten einer Verbesserung der Datenlage sind nicht unerheb-
folgt beschreiben: liche Kosten sowohl für den Netzbetreiber als auch für die
Vertriebe verbunden. Hilfreich hierfür wäre die Kostenan-
• Strukturelle Probleme bei der Datenbeschaffung erkennung bei den Netzentgelten für eine erweiterte Da-
und der Datenhaltung: Daten liegen in unterschiedli- tenbeschaffung sowie eine Smart-Data-Analyse.
chen Formaten auf unterschiedlichen Servern, einer
125. Appendix
Big Data: DSO:
bezeichnet Datenmengen, die zu groß oder zu komplex Distribution System Operator (Verteilnetzbetreiber)
sind oder sich zu schnell ändern, um sie mit händischen
und klassischen Methoden der Datenverarbeitung aus- TSO:
zuwerten. Transmission System Operator
(Übertragungsnetzbetreiber)
Smart Data:
Die inhaltlich „richtige“ Bewertung von Prozess- und Aggregator:
Asset-Daten, eine Weiterentwicklung vom reinen Sam- Energiewirtschaftliche Rolle zur Zusammenfassung von
meln (Big Data) von Daten zur strukturierten Erhebung Kleinerzeugung und Vermarktung der Gesamtmenge an
und Bewertung von Daten. der Energiebörse
Data Analytics: Prosumer:
Der Prozess der Datenveredlung, Transformation und Kunde mit Energieverbrauch und -eigenerzeugung
Gewinnung von neuen Zusammenhängen mit dem Ziel,
werttreibende und nützliche Informationen zu finden. BNetzA:
Bundesnetzagentur
Korrelationsanalyse:
Die Untersuchung nach Zusammenhängen von unter-
schiedlichen Daten und Datenströmen mit dem Ziel,
neue Werttreiber zu finden.
Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 13
Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart DataSmart Data in der Energiewirtschaft
6. Mitwirkende
Projektgruppe Smart Data
Leitung
Prof. Dr. Christoph Meinel Dr. Norbert Koppenhagen
Hasso-Plattner-Institut SAP SE
Reiner Bildmayer Dr. Karina Lott Stefan Vaillant
SAP SE RELX Group Cumulocity GmbH
Guido Falkenberg Dr. Pablo Mentzinis Manuela Wagner
Software AG Bundesverband Informationswirtschaft, Karlsruher Institut für Technologie
Telekommunikation und neue Medien e.V.
Helmut Greger Mathias Weber
Charité – Universitätsmedizin Berlin Martin Peuker Bundesverband Informationswirtschaft,
Charité – Universitätsmedizin Berlin Telekommunikation und neue Medien e.V.
Nina Hrkalovic
Gesellschaft für Informatik e.V. Alexander Rabe Markus Widmer
Gesellschaft für Informatik e.V. Intel GmbH
Prof. Dr. Michael Laskowski
RWE Deutschland AG Hannes Schwaderer
Intel GmbH
Dr. Alexander Lenk
FZI Forschungszentrum Informatik David Schwalb
Hasso-Plattner-Institut für
Softwaresystemtechnik GmbH
Sven Löffler
T-Systems International GmbH
Günther Stürner
ORACLE Deutschland B.V. & Co. KG
14Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel 15 Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart Data
Smart Data in der Energiewirtschaft Ausgabe: Oktober 2015 Herausgeber Plattform „Innovative Digitalisierung der Wirtschaft“ im Nationalen IT-Gipfel Fokusgruppe Intelligente Vernetzung / Projektgruppe Smart Data Ansprechpartner Prof. Dr. Christoph Meinel Hasso Plattner Institut christoph.meinel@hpi.de Dr. Norbert Koppenhagen SAP SE norbert.koppenhagen@sap.com
Sie können auch lesen
