Leseprobe
Inhaltsverzeichnis
1. Einleitung
1.1 Gang der Arbeit
2. Smart Grid
2.1 Begriffserklärung
2.2 Probleme und Anforderungen der drei Gruppen
3. Big Data in Smart Grids
3.1 Begriffserklärung
3.2 Tools zur Analyse von Big Data
3.2.1 Das Apache Hadoop Framework
3.3 Potenziale von Big Data in Smart Grids
3.4 Potenzielle Arten von Daten
3.5 Probleme von Big Data in Smart Grids
3.5.1 Statistische Probleme
3.5.2 Datenschutzbedenken
3.5.3 Weitere Probleme aus Praxisprojekten und Studien
4. Kritische Würdigung, Fazit und Ausblick
Literaturverzeichnis
1. Einleitung
Intelligente Stromnetze oder auch Smart Grids sind seit kurzer Zeit in aller Munde, da sie mittlerweile auch in Tages- und Wochenzeitungen diskutiert werden. Der Grund hierfür ist u. a. die Tatsache, dass sie in der Lage sein sollen, den steigenden Anteil an erneuerbaren Energiequellen wie Solar- und Windenergie effizient zu integrieren (Hintz & Kulka, 2010, S. 7). Dieser Anteil soll im Zuge der in Deutschland beschlossenen Energiewende bis zum Jahre 2050 auf mindestens 80 % ansteigen (Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit, 2011) und wird die Ausfallsicherheit des deutschen Stromnetzes wegen der Schwankungen und der Unkontrollierbarkeit dieser Energieformen vor neue Herausforderungen stellen (Knab, Strunz, & Lehmann, 2010, S. 6). Die steigende Anzahl von Elektroautos auf deutschen Straßen wird zugleich die Belastung der Netze erhöhen (Hintz & Kulka, 2010, S. 7).
Aus der Tatsache, dass die Effizienz und Effektivität eines solchen intelligenten Stromnetzes umso höher ist, je mehr Wissen und Kontrolle darüber besteht (Die österreichische Technologieplattform zum Thema Smart Grid), wird bereits deutlich, warum einer funktionierende Wissensextraktion aus Daten von z. B. Photovoltaikanlagen oder Elektroautos eine hohe Bedeutung zukommt.
Abgesehen davon ergeben sich durch die Kombination der Datenanalyse und Smart Grids komplett neue Geschäftsmodelle, denen das Potenzial zugesprochen wird, bestehende Tätigkeitsbereiche von Energieunternehmen zu revolutionieren (Leopold, 2012). Ein Beispiel dafür ist die Möglichkeit der Energieunternehmen, dem Verbraucher eine hohe Transparenz über seinen Energieverbrauch und die Herkunft dieser Energie zu ermöglichen (Bühler & Beckert, 2012, S. 22) und den Energiebedarf zudem besser vorhersagen zu können (Hossain, Han, & Poor, 2012, S. 3).
Big Data befasst sich mit riesigen Datenmengen, die oft unstrukturiert vorliegen, aus zahlreichen Quellen stammen und trotzdem sehr schnell verarbeitet werden (Mayer-Schönberger & Cukier, 2013, S. 199). Big Data ermöglicht die Datenanalysen im Smart Grid Bereich innerhalb von Stunden und nicht mehr innerhalb von Wochen durchzuführen (Tetpon, 2011). Wegen dieser und anderer Chancen sprechen einige Medien von einem Big Data „Boom“ im Energiesektor (Taube, 2012).
Trotz all dieser vielversprechenden Potenziale wird in der Literatur an vielen Stellen deutlich, dass das Eintreten dieser Potenziale angezweifelt wird (Haskell, 2013, S. 4). Zudem ist auffällig, dass an den im Zuge der Big Data Projekte eingesetzten Verfahren kaum Kritik geäußert und nicht auf deren Grenzen eingegangen wird. Deswegen besteht die akute Gefahr, dass sich der „Gartner’s Hype Cycle“ bewahrheitet und in wenigen Jahren zahlreiche Akteure im Smart Grid Sektor zur Einsicht gelangen, dass sich große Teile ihrer Investitionen in die Datenanalyseprojekte nicht auszahlen werden (LeHong & Fenn, 2012). Da der Markt für entsprechende Technologien als Milliardenmarkt angesehen wird, dürften diese Fehlinvestitionen beträchtliche finanzielle Folgen haben (Fehrenbacher, 2011).
Dieser Entwicklung Rechnung tragend wird in dieser Seminararbeit auf die Potenziale und Probleme von Big Data im Smart Grid Bereich eingegangen und zudem dargestellt, welche Arten von Daten sich in der Praxis herauskristallisiert haben.
1.1 Gang der Arbeit
Nachdem nun die Problemstellung skizziert wurde, wird in diesem Abschnitt dargestellt, wie diese Seminararbeit aufgebaut ist und auf welche Art diese Problemstellung adressiert wird.
So wird zuerst erläutert, was in dieser Arbeit unter dem Begriff „Smart Grid“ verstanden wird. Dies ist wichtig, da in der Literatur kein einheitliches Verständnis dieses Begriffes besteht. In diesem Zuge werden drei Rollen, die unterschiedliche am Smart Grid beteiligten Akteure bekleiden können, aufgezeigt und deren Anforderungen an dieses Stromnetz skizziert. Diese Rollen werden als Strukturierungskonzept in den folgenden Kapiteln wiederaufgegriffen.
Im dritten Kapitel wird dann der „Big Data“ Begriff dieser Arbeit definiert, der in der Literatur ebenfalls uneinheitlich verwendet wird. Im Anschluss daran wird dargestellt, welche Arten von Daten potenziell geeignet zu sein scheinen, signifikantes Wissen für das Smart Grid zu generieren. Dies ist insbesondere deswegen von Bedeutung, da die im Zuge dieser Ausarbeitung betrachteten Projekte auf zum Teil unterschiedliche Datenarten zurückgreifen, sodass eine Übersicht einen Mehrwert verschaffen sollte. Neben der Erläuterung der Software, die im Big Data Bereich von Bedeutung ist, werden im Verlauf dieses Kapitels auch die Potenziale und Probleme von Data Mining aufgezeigt. Hierbei wird auf Erfahrungswerte aus Projekten, auf Überlegungen aus theoretischen Ausarbeitungen aus dem Smart Grid Bereich aber auch Literatur aus dem Bereich Statistik zurückgegriffen.
Zum Schluss wird ein Fazit gezogen und Ansatzpunkte für zukünftige Forschungsvorhaben aufgezeigt.
Bereits an dieser Stelle sei gesagt, dass der überwiegende Teil der Literatur zu Smart Grid und Big Data wissenschaftlichen Ansprüchen nicht genügen dürfte, da diese Literatur oftmals von IT-Unternehmen, Energieunternehmen, Banken und Unternehmensberatungen verfasst wurde. Diesen Unternehmen kann unterstellt werden, im höchsten Maße subjektiv zu sein, da ihre Motivation diese Literatur zu verfassen nicht der Beitrag zu einer kritischen Diskussion ist, sondern die Teilhabe an möglichst vielen Big Data Projekten in diesem Markt. Aus Mangel an wissenschaftlicher Literatur muss trotzdem auf solche Quellen zurückgegriffen werden. Die Objektivität dieser Arbeit wird dadurch gewahrt, dass zum einen mehrere solcher Arbeiten gleichzeitig betrachtet werden, die sich z. T. gegenseitig ergänzen und zum anderen auch kritische Äußerungen aus anderen Quellen identifiziert werden, die auch für diese Projekte gültig sein dürften.
2. Smart Grid
Wie in der Einleitung bereits deutlich wurde, wird der Begriff „Smart Grid“ oder zu Deutsch „Intelligentes Stromnetz“ seit einiger Zeit häufig sowohl in den Tageszeitungen als auch in der wissenschaftlichen Literatur verwendet, wobei häufig unterschiedliche Verständnisse dieses Konzeptes deutlich werden. Um Missverständnisse zu vermeiden, wird im Folgenden das in dieser Seminararbeit genutzte Verständnis dargestellt und aus diesem Verständnis wichtige Stakeholderrollen abgeleitet, die im weiteren Verlauf dieser Seminararbeit noch mehrfach aufgegriffen werden.
2.1 Begriffserklärung
Bei der Formulierung der Definition wurde dabei auf bestehende Definitionen zurückgegriffen und z. T. wiederverwendet, um in die entstandenen Definition möglichst viele dieser Verständnisse einzubeziehen.
Smart Grid bezeichnet ein modernisiertes Stromnetz, das eine Steigerung der Effizienz, Wirtschaftlichkeit und Umweltfreundlichkeit aber auch komplett neue Anwendungsgebiete im Bereich der Erzeugung, des Transportes, der Speicherung, der Verteilung und des Verbrauches der Energie ermöglicht. Durch Einsatz von moderner Sensorik, intelligenten Geräten, Kommunikationstechnologie und Datenverarbeitung sollen diese Bereiche darüber hinaus bestmöglich aufeinander abgestimmt werden (Hintz & Kulka, 2010, S. 7; Bühler & Beckert, 2012, S. 9-12; Haskell, 2012).
Aus dieser Definition werden bereits einige Stakeholderrollen deutlich, die vom Smart Grid Konzept betroffen sind und dementsprechend auch Anforderungen daran stellen. Diese Einteilung ist in der Literatur durchaus gebräuchlich, da sie an zahlreichen Stellen in ähnlicher Form vorkommt (Die österreichische Technologieplattform zum Thema Smart Grid; Kunz, Müller, & Saßning, 2012, S. 19). Es erscheint aber sinnvoll, dieser Stakeholderrollen als Rollen und nicht als konkrete Personen zu begreifen, was insbesondere am Begriff des „Prosumers“ deutlich wird: Dabei kann ein Verbraucher nicht nur Strom beziehen, sondern diesen auch über Photovoltaikanlagen selbst generieren und ins Netz speisen. Zudem kann er elektrische Energie im Akkumulator seines Elektroautos zwischenspeichern und dann freisetzen, wenn diese benötigt wird (Die österreichische Technologieplattform zum Thema Smart Grid). Somit kann eine konkrete Person drei dieser Rollen bekleiden.
Aus Gründen der Übersicht werden diese Rollen in drei Gruppen aufgeteilt: Gruppe 1 umfasst dabei die Energieerzeuger. Gruppe 2 setzt sich aus den Verantwortlichen für Transport, Speicherung und Verteilung zusammen, während Gruppe 3 die Verbraucher bündelt. Diese drei Gruppen werden im Folgenden als Stakeholdergruppen bezeichnet.
2.2 Probleme und Anforderungen der drei Gruppen
Nachdem im vorherigen Abschnitt die drei vom Smart Grid Konzept betroffenen Stakeholdergruppen identifiziert wurden, wird es in diesem Abschnitt darum gehen, einige Probleme dieser Gruppen zu identifizieren. Diese Probleme werden im nächsten Kapitel als Motivation für den Einsatz von Big Data Systemen im Smart Grid Bereich genutzt.
Die Gruppe, die wie vorhin dargestellt die Energieerzeuger umfasst, gewinnt elektrische aus nicht erneuerbaren Quellen wie Kohle oder radioaktivem Material und aus erneuerbaren Quellen wie Wind und Sonne. Um dies möglichst erfolgreich zu bewerkstelligen, muss diese Gruppe in der Lage sein, den Stromverbrauch möglichst genau vorhersagen zu können, um im Anschluss entsprechend Kapazitäten bereitstellen zu können (Bühler & Beckert, 2012, S. 13). Wie bereits erwähnt, gelten in diesem Kontext erneuerbare Energieformen als besonders problematisch, weil die von ihnen umgewandelte Energiemenge Schwankungen unterliegt, sodass es für diese Gruppe erstrebenswert ist, diese Schwankungen vorhersagen zu können. Zudem wäre es vom Vorteil, wenn diese Gruppe Informationen darüber hätte, an welchem Ort z. B. Windkrafträder am besten platziert werden können, um möglichst viel elektrische Energie umwandeln zu können (Tetpon, 2011; Melton, 2013, S. 10).
Zur Vorhersage des Verbrauches gehört aber auch eine Auseinandersetzung mit den Verbrauchern und deren Energieverbrauch, der ebenfalls schwankt. Hierbei erweist es sich als besonders heikel, dass jeder einzelne Abnehmer für die Energielieferanten eine „Blackbox“ darstellt, da dessen Verbräuche nur einmal im Jahr aufsummiert erhoben werden (Kunz, Müller, & Saßning, 2012, S. 19-20). Abseits dessen wird durch eine dermaßen ungenaue Sicht auf die eigene Kundschaft auch ein Customer Relationship Management erschwert, das eine umfassende Betrachtung des einzelnen Kunden erfordert (Kincaid, 2003, S. 41)[1]. Für die Mitglieder der Gruppe 1 heißt dies, dass sie kaum ihre Kunden segmentieren können und nur sehr ungenau abschätzen können, wie sich beispielsweise Preisänderungen auf ihre Kundschaft auswirken (IBM Corporation Software Group, 2012, S. 2). Aus diesen Gründen haben Energielieferanten häufig wenig Möglichkeiten, die Zufriedenheit ihrer Kunden zu steigern (van der Laan & Hazen, 2012).
Eine weitere Möglichkeit die Zufriedenheit der Kunden zu erhöhen, die jedoch auch darüber hinausgeht, betrifft die Erkennung und Behebung von Ausfällen. Im Idealfall gelingt es den Stromlieferanten mit hoher Genauigkeit, Zeitpunkt und Ort von Ausfällen vorherzusagen (IBM Corporation Software Group, 2012, S. 3). Zudem ist es erstrebenswert, die Wartung von Anlagen zur Generierung erneuerbarer Energien so zu planen, dass diese dann abgeschaltet werden, wenn dies möglichst geringe Konsequenzen hervorruft (Tetpon, 2011).
Das letzte hier angesprochene Problem der ersten Gruppe ist die Planung und Simulation ihrer Investitionen. Zum einen prägen diese das Energiesystem langfristig und sollten deswegen wohlüberlegt sein (Pathmaperuma & Schippl, 2011, S. 21). Zum anderen erfordert dies möglichst genaue Prognosen über zukünftige Verbrauchsmuster der Kunden (IBM Corporation Software Group, 2012, S. 6).
Auch die zweite Gruppe hat einige Herausforderungen zu lösen, die im Folgenden kurz skizziert werden. Zum einen wird es zukünftig notwendig sein, Stromnachfrage und Stromangebot häufiger aneinander anzupassen (Die österreichische Technologieplattform zum Thema Smart Grid). Dies hängt damit zusammen, dass künftig die Menge erneuerbarer Energien ausgebaut werden soll und damit zugleich auch die Anzahl verhältnismäßig kleiner, dezentraler Energieerzeuger, deren Energielieferungen z. T. starken Schwankungen unterliegen (Hintz & Kulka, 2010, S. 7; Die österreichische Technologieplattform zum Thema Smart Grid). Ziel ist es in diesem Kontext eine möglichst gleichmäßige Nachfrage zu erzielen, indem Teile der Energienachfrage in Zeitintervalle verlegt werden, in denen die Energienachfrage gering ist oder zu erwarten ist, dass viel Energie aus den erneuerbaren Quellen bezogen werden kann (Knab, Strunz, & Lehmann, 2010, S. 13-14). Hierbei erlangen die Speicherung von elektrischer Energie und die dafür zuständigen Akteure eine besondere Bedeutung, da diese in Zeiten, in denen mehr Energie angeboten als nachgefragt wird, eine zusätzliche Nachfrage schaffen können. Diese Energie kann dann wieder ins Netz gespeist werden, wenn die Nachfrage das Angebot übersteigt. Um die Verdienstmöglichkeiten dieser Akteure zu maximieren, müssen diese möglichst genaue Kenntnisse darüber haben, wann Energie günstig eingekauft und wann teuer verkauft werden kann (Knab, Strunz, & Lehmann, 2010, S. 16-18; IBM Corporation Software Group, 2012, S. 6). Wie bereits angedeutet, sind in diesem Zusammenhang Elektroautos ein wichtiges Beispiel, weil diese sowohl Energie verbrauchen (und damit auch in die dritte Gruppe fallen) als auch Energie speichern können. Deswegen ist für die zweite Gruppe wichtig zu wissen, ob ein konkretes Auto unverzüglich geladen werden muss oder dies auch später erfolgen kann. Auch braucht diese Gruppe Kenntnisse darüber, ob sie auf die bereits im Auto gespeicherte Energie zurückgreifen kann, um sie an einer anderen Stelle einer Verwendung zuzuführen (Groenfeldt, 2012).
Abseits dessen versuchen die Akteure der zweiten Stakeholdergruppe ihre Kosten zu senken, weswegen sie u. a. eine Reduktion ihrer CO2-Emissionen und die Erhöhung ihrer Energieeffizienz anstrebt (Die österreichische Technologieplattform zum Thema Smart Grid). Weitere Felder mit Handlungsbedarf sind die Einführung von gemeinsamen Standards, die zur Komplexitätsreduktion und einer effektiveren Abstimmung der beteiligten Akteure beitragen würden (Auer & Heng, 2011, S. 84; Kunz, Müller, & Saßning, 2012, S. 21). Fernerhin gehört auch die Einhaltung der vom Gesetzgeber auferlegten Pflichten zu den Herausforderungen der Mitglieder der zweiten Gruppe (Vespi & Hazen, 2012, S. 12).
Genauso wie die ersten beiden Gruppen hat auch die dritte Gruppe gewisse Herausforderungen zu bewältigen, auf die nun eingegangen wird. Zur Vermeidung von Missverständnissen sei gesagt, dass diese Gruppe sowohl Haushalte als auch Unternehmen beinhaltet, die jeweils als Energienachfrager agieren. So ist ein vielfach erwähntes Bedürfnis der Konsumenten eine hohe Transparenz über ihren Energiebedarf zu erzielen (Bühler & Beckert, 2012, S. 19). Dafür gibt es im Wesentlichen drei Ursachen: Zum einen führt das gestiegene ökologische Bewusstsein dieser Gruppe zu dem Verlangen, besser über die Herkunft ihrer Energie aufgeklärt zu werden (Bühler & Beckert, 2012, S. 22). Zum anderen will diese Gruppe angesichts flexibler Tarifstrukturen die Möglichkeit wahrnehmen, möglichst nur dann Energie zu beziehen, wenn diese am günstigsten ist, um auf diese Weise Kosten zu sparen (Knab, Strunz, & Lehmann, 2010, S. 14). In diesem Kontext kann eine erhöhte Transparenz dem Verbraucher dabei helfen Geräte zu identifizieren, die einen besonders hohen Energiebedarf aufweisen, um diese beispielsweise ersetzen oder zumindest bewusster nutzen zu können (Auer & Heng, 2011, S. 9).
[...]
[1] In diesem Buch wird auch detailliert auf Customer Relationship Management eingegangen