Gastbeitrag

Big Data Analyse – Potenzial für die Energiewirtschaft

Big Data
Big Data in der Energiewirtschaft, Foto: Pixabay/ PeteLinforth

Ein Gastbeitrag von Sean Jackson, Chief Marketing Officer (CMO), EXASOL AG

Big Data
Big Data in der Energiewirtschaft, Foto: Pixabay/ PeteLinforth

Die Themen Big Data und Business Intelligence (BI) sind in aller Munde und gewinnen gerade in der Energiewirtschaft zunehmend an Bedeutung.

Ein Schlüsselfaktor in diesem Zusammenhang ist das Internet der Dinge (Internet of Things – IoT). Das IoT vernetzt immer mehr Geräte untereinander sowie über das Internet. Dies hat zur Folge, dass permanent Daten produziert werden. Und zwar nicht gerade wenige – vielmehr entstehen riesige Mengen an Rohdaten, die kontinuierlich ansteigen und zugleich immer komplexer werden. Daten werden heutzutage fast überall generiert, und unser Leben erweist sich bereits jetzt an vielen Stellen datengetrieben – Tendenz steigend.

Daher nehmen Big Data und damit verbunden Business Intelligence (BI) einen immer größeren Stellenwert ein. Denn das Generieren und Sammeln von Daten alleine bringt zunächst einmal nicht viel. Erst im Zusammenhang mit der Verarbeitung, intelligenten Auswertung und Darstellung können die Daten in einen sinnvollen Kontext gesetzt werden. Dies gilt auch für die Energiewirtschaft und stellt diese im Zeitalter der intelligenten Stromnetze sowie erneuerbarer Energien vor ganz neue Herausforderungen. Gleichzeitig bietet die Datenanalyse ein unglaubliches Potenzial für Energieunternehmen, um die Daten in bares Geld zu verwandeln und damit von einem echten Business Value zu profitieren.

Im Fokus: Smart Grids und erneuerbare Energien

Smart Grids sind das große Zukunftsthema im Energiesektor. Die smarten Netze erzeugen sekündlich riesige Fluten an Rohdaten, die es im nächsten Schritt zu verarbeiten und im Anschluss effektiv auszuwerten gilt. Denn erst dann lässt sich ein großer Nutzen daraus ziehen. Richtig sowie in Echtzeit analysiert, geben die Daten wichtige Auskünfte über die optimale Stromverteilung und Stromgenerierung.

Hier kommen insbesondere erneuerbare Energien ins Spiel. Im Mittelpunkt steht dabei die Analyse von Wetterdaten. Ziel für den Energieversorger ist es, anhand der ausgewerteten Mengen an meteorologischem Datenmaterial nicht nur die Anlage vor Beschädigungen zu schützen, sondern vor allem zukünftige Entwicklungen prognostizieren zu können. Dies ist von zentraler Bedeutung für das Energieunternehmen. Denn anhand der analysierten Daten lassen sich die Ressourcen effizient planen, Streuverluste vermeiden und in Echtzeit auf Nachfrageschwankungen reagieren – ein wirtschaftlich sehr bedeutender Faktor.

Aus den genannten Gründen spielt die fundierte Datenanalyse eine zentrale Rolle in der Energiewirtschaft, und immer mehr Energieunternehmen erkennen das verborgene Potenzial dieser Datenberge.

Praxisbeispiel: Big Data Analysen für Windkraftanlagen

Ein wichtiger Big Data Analyse-Anwendungsbereich sind Windkraftanlagen. Wurden früher die Daten, die Kraftwerke an ihren unterschiedlichen Standorten produzieren, per Hand ausgelesen und im Anschluss über ein Excel Dokument ausgewertet, so erleichtert das IoT diesen Vorgang beträchtlich. Intelligente Windräder sind untereinander sowie mit dem Energieversorger vernetzt. So liegen die Daten zentral zur Analyse vor.

In diesem Zusammenhang bedürfen folgende Punkte der näheren Betrachtung:

  • Basis: Datenmessung über Sensoren
  • Herausforderungen der Datenanalyse
  • Die Lösung: Edge Analytics

Datenmessung über Sensoren

Die Basis für eine effektive Datenanalyse stellt die Messungen in den Windkraftanlagen dar. Spezielle Sensoren in den Anlagen sorgen für eine Erfassung sämtlicher Zustände der Turbinen. Sie messen rund um die Uhr sowohl die Wetterbedingungen, als auch die jeweilige Drehzahl und damit die Leistung des Windrads. Hierbei entstehen gigantische Datenmengen, deren schnelle Auswertung essenziell und gleichzeitig eine Herausforderung ist.

Herausforderungen der Datenanalyse

Die Windkraftanlagen befinden sich in der Regel an abgelegenen Orten. Aufgrund der häufig sehr schlechten Funkverbindungen mit niedrigen (UMTS) Datenübertragungsraten, wie beispielsweise bei den Windturbinen an und in der Nordsee, können Daten zwischen der Anlage und der Zentrale oft nicht in Echtzeit transferiert werden: Sekündlich produzierte Daten bräuchten Minuten, um übertragen zu werden – sprich, die Übertragung läuft der Generierung hinterher. In diesem Szenario ist es technisch nicht möglich, die Datenfluten von Dutzenden Turbinen in Echtzeit an die Zentrale zu übertragen.

Dies ist eine große Herausforderung für die Datenanalysten, denn die Echtzeitübertragung stellt die grundlegende Voraussetzung für eine effiziente Steuerung der Turbine sowie deren Anpassung an die jeweils vor Ort herrschenden Bedingungen dar. Es kommt unweigerlich die Frage auf, wie dennoch eine effiziente Auswertung erfolgen kann.

Die Lösung: Edge Analytics

Die Lösung und damit die Antwort auf die Frage lautet im Fachjargon: Edge Analytics. Darüber lassen sich die für eine schnelle Reaktion erforderlichen Daten direkt am Windrad auf einem Mikroserver sammeln und analysieren. Die Übertragung der Windkraftdaten an die Zentrale ist in diesem Schritt gar nicht notwendig. Erst im Anschluss an die Analyse vor Ort werden die bereits aggregierten Daten, die besonders wichtig sind, an die Zentrale transferiert. Eine Echtzeit-Übertragung ist in diesem Szenario nicht mehr erforderlich.

Nutzen von Big Data Analysen: Effiziente Energiegewinnung

Eine detaillierte Auswertung der unzähligen gesammelten Daten hilft dem Anlagenbetreiber, die Energiegewinnung maßgeblich zu optimieren. In erster Linie stehen diese Aspekte im Fokus:

  • Erzeugung einer maximalen Strommenge bei höchstmöglicher Effizienz

Unter Berücksichtigung sämtlicher Wetterbedingungen sowie der Abnutzung und des Verschleißes der Anlage lässt sich eine maximale Menge an Strom produzieren. Gleichzeitig ermöglicht die Datenanalyse exakte Vorhersagen hinsichtlich der produzierten Strommenge sowie des zu erwartenden Verbrauchs. Auf diese Weise kann der Energieversorger Kapazitäten perfekt steuern sowie das Vorhalten von Stand-by Leistung aus anderen Energiequellen auf ein Minimum beschränken. Das Ergebnis ist eine besonders effiziente Energieerzeugung.

  • Kostenersparnis dank frühzeitiger Erkennung von Störungen oder Schäden

Melden die in den Windrädern verbauten Sensoren Unregelmäßigkeiten innerhalb der Messdaten, könnte dies ein Hinweis auf eine Betriebsstörung sein. Diese frühzeitige Erkennung von Beschädigungen kann teure Reparaturen vermeiden. Zudem lassen sich potenzielle Schäden im Vorfeld bereits ausschließen. Darüber hinaus führen die zuständigen Teams notwendige Instandhaltungs- und Wartungsmaßnahmen, dann aus, wenn sie von Nöten sind. Im Gegensatz zu einem regelmäßigen Turnus spart dies Zeit und Geld.

Unternehmerische und technische Voraussetzungen

Die feste Verankerung der Big Data Analyse in der Unternehmensstrategie ist eine Grundvoraussetzung, um das Potenzial der gesammelten Daten gewinnbringend ausschöpfen zu können. Dies hat besonders auf die IT- und Organisationsabteilung des Energieunternehmens einen großen Einfluss. Denn neben der datengetriebenen Unternehmensplanung spielen technische Faktoren eine essenzielle Rolle.

Hierzu zählen:

  • Leistungsfähige und effiziente Systeme, die eine wichtige Basis für die Datenanalyse bilden. In der Regel sind klassische IT-Systeme mit riesigen Datenmengen überlastet, reagieren zu langsam und weisen schleppende Lade- und Analysezeiten auf. Daher müssen die bestehenden Systeme entsprechend aufgerüstet werden. Ein kompletter Austausch der Systeme ist in den seltensten Fällen notwendig.
  • Eine frei skalierbare, analytische Datenbank, die große Datenmengen sehr schnell verarbeiten kann. Zudem müssen sich Daten aus verschiedenen nicht homogenen Quellen zusammenführen, einzelne Datensätze in Echtzeit verarbeiten sowie die aus dem Echtzeitprozess entstehenden Daten analysieren lassen. Flexibilität ist ebenso ein essenzielles Kriterium, damit auch steigende Datenmengen mühelos verarbeitet werden können. Weiterhin sollte die Lösung wartungsarm sein und kein ständiges Tuning erfordern.
  • Die ideale Datenbank ist eine auf In-Memory-Technologie basierende Lösung. Hierbei lassen sich zum einen riesige Datenmengen verarbeiten. Zum anderen werden die Daten im Hauptspeicher gehalten und verarbeitet, was deutlich schneller von statten geht als der Zugriff auf Daten, die auf der Festplatte liegen. Ebenso empfehlen sich schnelle, intuitive und leicht zu implementierende Analyse-Lösungen, die idealerweise allen Mitarbeitern für die eigenständigen Auswertung zur Verfügung stehen.
  • Eine Visualisierungssoftware oder ein BI-Frontend zur Aussteuerung der Analysen

Bedeutung von Data Scientists

Foto: EXASOL AG
Foto: EXASOL AG

Aber: Technik alleine reicht nicht aus, um den maximalen Nutzen der Daten zu gewährleisten. Vielmehr ist eine enge Verzahnung zwischen analytischer Expertise sowie dem Know-how der Fachbereiche und der IT-Umgebung der Schlüssel zum Erfolg. Erfahrene Datenanalyse-Spezialisten, sogenannte Data Scientists, sind hier gefragt. Diese Datenspezialisten kombinieren und filtern die richtigen Zusammenhänge heraus, um daraus wichtige Erkenntnisse für das jeweilige Unternehmen zu gewinnen.

Sie liefern auch die notwendigen Analysegrundlagen für unternehmenskritische Entscheidungen des Top-Managements. Den Data Scientists wird mit der kontinuierlich zunehmenden Datenmenge in Zukunft eine immer entscheidendere Rolle zufallen. Nicht umsonst hat beispielsweise die Hochschule der Medien in Stuttgart den Studiengang „Data Science and Business Analytics“ eingeführt.

Ausblick: Smart Cities

Neben dem Business-Nutzen entstehen durch Big Data Analysen zudem ganz neue Geschäftsbereiche, die für die gesamte Industrie großes Wachstumspotenzial besitzen. Ein Beispiel sind Smart Cities – intelligent vernetzte Städte. Sie bieten für die Energiebranche großes Potenzial, um Geld zu verdienen wie auch neue Lösungen zu entwickeln.

Mit dem Thema Smart Cities wird der Gastbeitrag in der kommenden Woche fortgesetzt.

Über EXASOL

Die EXASOL AG ist führender Hersteller von analytischen Datenbanksystemen. Das Kernprodukt von EXASOL ist eine auf In-Memory-Technologie basierende Software für professionelle, parallele und schnelle Datenanalysen, die in sämtlichen Branchen von Industrie 4.0 über Retail bis hin zu Energie & Versorgung zum Einsatz kommt.

Über Sean Jackson

Sean Jackson ist Chief Marketing Officer der EXASOL AG und in dieser Funktion für die Marketingstrategie des Unternehmens verantwortlich. Vorrangig treibt er die internationale Positionierung und den Markenaufbau voran. Vor seinem Einstieg bei EXASOL war er Marketing Director bei der Actian Corporation und davor in der gleichen Position bei Kognitio tätig. Von 2000 bis 2006 leitete er den Bereich Marketing von BakBone Software.

Über den Autor

Andreas Kühl

Ich bin Energieblogger aus Leidenschaft mit einem großen Faible für Energieeffizienz und erneuerbare Energien. Mit energynet.de betreibe ich einen der bekanntesten und einflussreichsten Energieblogs im deutschsprachigen Raum. Innovationen für die Energiewende in Technologien und Geschäftsmodellen sind meine aktuellen Schwerpunktthemen.

3 Kommentare

Hier klicken um einen Kommentar zu schreiben

Kategorien

Veranstaltungs-Partner

PV-Wind-Betreiberkonferenz

Unterstützt meine Arbeit für energynet.de!

Unterstütze mich auf Steady

Energieblogger, ich bin dabei!

Werbung




Alle 14 Tag erscheint der aktuelle Newsletter mit exklusiven Informationen zum Blog, einem Verweis auf die neuesten Beiträge, Empfehlungen von Veranstaltungen und ein Blick in andere Energieblogs.