Projektgruppe: E-Stream – Big Data Analytics im Smart Grid

Unsere Energienetze werden immer komplexer. Verteilte Erzeuger, wie z.B. Windparks, Solarparks und private PV-Anlagen verhalten sich anders als große Kraftwerke, da sie u.a. vom Wetter abhängig sind. Hinzu kommt die Liberalisierung des Energiemarktes, die es ermöglicht, Energie an Börsen zu handeln. Zusammen mit Energiespeichertechnologien sorgt dies dafür, dass auf der einen Seite Erzeuger nicht unbedingt dann einspeisen, wenn die Energie erzeugt wird, sondern wenn der Energiepreis hoch ist. Auf der anderen Seite können auch Verbraucher Energiespeichertechnologien (wie z.B. Elektroautos) nutzen und Energie dann kaufen, wenn sie günstig ist und nicht wenn sie verbraucht wird. Das Verhalten der Verbraucher folgt also nicht mehr Standardlastprofilen.

Die Überwachung und Steuerung eines solchen, in erhöhtem Maße dynamischen, Netzes erfordert eine flächendeckende IT-Infrastruktur, in der alle Daten, die für den Netzbetrieb und dessen Optimierung benötigt werden, beschafft, verteilt und verarbeitet werden. Eine solche Infrastruktur macht ein Energienetz zu einem Smart Grid.

In der Projektgruppe E-Stream – Big Data Analytics im Smart Grid soll ein Werkzeugkasten entwickelt werden, mit dem die massiven Daten, die in einem Smart Grid anfallen (z.B. von Smart Metern), in Echtzeit analysiert und visualisiert werden können. Solche Werkzeuge können in einem hohen Maße dazu beitragen, die Stabilität unserer Energienetze zu erhalten, indem in Echtzeit der aktuelle Netzzustand berechnet und der zukünftige Netzzustand prognostiziert wird. Unter diese Werkzeuge fallen z.B. Kurzzeitprognosen von Erzeuger- und Verbraucherverhalten auf Basis der aktuellen Daten, historischer Daten und Wetterdaten. Dabei liegt die Aufgabe nicht in der Entwicklung neuer Algorithmen oder Data Mining-Verfahren, sondern in der Integration bewährter Verfahren. Bei welchen Werkzeugen schlussendlich der Schwerpunkt liegt, kann die Projektgruppe mitentscheiden.

Um solche Echtzeitanalysen zu ermöglichen, sollen Smart Meter-Daten mit einem Simulationsframework simuliert, mit einem Datenstrommanagementsystem verarbeitet und z.B. mit einem Dashboard visualisiert werden.

Als Simulationsframework soll das in Python geschriebene Open-Source-Framework mosaik zum Einsatz kommen. Mosaik erlaubt es verschiedene Simulationsmodelle und Simulatoren (in verschiedenen Programmiersprachen) zu kombinieren und somit groß angelegte Smart Grid-Szenarien zu erstellen.

Das Datenstrommanagementsystem zur Echtzeitverarbeitung der Smart Grid-Daten soll mit dem Datenstrommanagementframework Odysseus umgesetzt werden. Odysseus ist ebenfalls Open Source, in Java geschrieben und basiert auf OSGi. Es ist damit möglich aus einer Vielzahl an Erweiterungen ein für die Aufgaben maßgeschneidertes Datenstrommanagementsystem zu erstellen. Eine Kernaufgabe der Projektgruppe wird es sein, Odysseus um neue Funktionen zur Datenanalyse und -prognose von Smart Grid-Daten zu erweitern und entsprechend ein Datenstrommanagementsystem maßzuschneidern.

Die Analyseergebnisse sollen dann in einem letzten Schritt grafisch aufbereitet und z.B. in Form eines Dashboards präsentiert werden. Hierbei kann die Projektgruppe selber entscheiden mit welcher Technologie bzw. welchen Frameworks sie dies umsetzen möchte.

Ein Teil des angestrebten Werkzeugkastens soll dabei in Zusammenarbeit mit der Projektgruppe "Big Data Archive" der Abteilung VLBA umgesetzt werden. Die Idee ist es, dass die Rohdaten von Odysseus an das Big Data Archive gesendet werden. Dort wird dann auf den Langzeitdaten ein Data Mining-Modell gelernt, welches von Odysseus zur Echtzeitanalyse der eingehenden Daten genutzt werden kann. Wichtig ist dabei eine geeignete Entkopplung der beiden Systeme (z.B. durch Apache Kafka), so dass beide Projektgruppen zunächst unabhängig von einander arbeiten können.

Die Projektgruppe E-Stream – Big Data Analysis im Smart Grid wird zusammen mit der Abteilung Energieinformatik angeboten.

  • Kontakt: Michael Brand
  • Laufzeit: 1. April 2017 bis 31. März 2018 (SS 2017 + WS 2017/2018)