Eldar Sultanow
Christoph von Tucher
Artur Biedulski
Jan-Hendrik Lesny
Michael Hanser

Die Energiebranche muss die Infrastrukturherausforderung der dezentralen Energieerzeugung und jene der Erzeugung erneuerbarer Energien bewältigen. Hierzu zählen insbesondere das Energielast- und Einsatzmanagement wie auch der Einsatz von Speichern. Dafür jedoch sind Technologiekomponenten aus dem Internet-of-Things-Bereich – insbesondere Sensoren – deutlich günstiger geworden. Dieser erste Teil der Artikelreihe zur Digitalisierungsarchitektur führt in die Thematik des Energiesektors ein und schafft die Grundlagen zur Entwicklung einer Referenzarchitektur.

Digital als Paradigmenwechsel im Energiesektor

Kritische Infrastrukturen wie Energieversorgungsnetzwerke werden als das Rückgrat moderner Gesellschaften betrachtet (Birkmann et al., 2010). Sie versorgen nicht nur private Haushalte und ganze Industrien mit Elektrizität, sondern bilden auch die Basis für das Funktionieren anderer kritischer Infrastrukturen wie Wasserversorgungs- oder Telekommunikationsnetzwerke (Eusgeld, Nan & Dietz, 2011). Veränderungen innerhalb der Energiebranche sind daher für Politik, Wirtschaft, aber auch für den einzelnen Privatnutzer von unmittelbarer Relevanz. In diesem Zusammenhang stellt die angestrebte Energiewende einen Paradigmenwechsel im Energiesektor dar. Diese beschreibt den Wandel dreier Grundbedingungen (Mautz, Byzio & Rosenbaum, 2008, S. 9):

1.  Die Nutzung erneuerbarer Träger wie Solar- und Windenergie anstatt fossil-atomarer Energiequellen.
2. Die Ablösung der systemtechnischen Zentralisierung der Energieproduktion- und Verteilung durch dezentralisierte Produktions- und Versorgungsstrukturen.
3. Die Orientierung an Ökologie als Leitnorm anstatt der Festigung oligopolistischer Branchenstrukturen.

In der Vergangenheit schritt dieser Wandel lediglich schleppend voran und erneuerbare Energien galten lange als Nischenprodukt. Allerdings trieben die Einbindung moderner Technologie und die daraus ­resultierenden Möglichkeiten und Effizienzsteigerungen diesen Trend weiter an und so wurde 2015 bereits knapp ein Drittel des bundesweiten Elektrizitätsbedarfs durch erneuerbare Energien gedeckt (BDEW, 2015). Neue Geschäftsmodelle, Technologien und Prozesse sowie gesetzliche Rahmenbedingungen werden diese Entwicklung auch in den kommenden Jahren verstärken und stellen somit eine neue Phase der Energiewende dar (BDEW, 2015).

„Im Jahr 2014 wurde so viel Strom aus erneuerbaren Energien abgeregelt wie in den Jahren 2009 bis 2013 zusammen.“ (Bundesnetzagentur)

Die Digitalisierung des Energiesektors ist eng verbunden mit dem Konzept des Smart Grid. Dieses beschreibt die Vision eines intelligenten Stromversorgungsnetzwerks, welches auf Basis des existierenden, physischen Stromnetzes moderne I&K-Technologie verwendet, um eine effizientere, ökologischere und stabilere Produktion und Verteilung von Elektrizität zu ermöglichen (Li et al., 2010). Die Gründe für die Erforderlichkeit eines solchen Netzes lassen sich nach Li et al. (2010) in vier Perspektiven gliedern.

Erstens trägt das Smart Grid dazu bei, umweltbezogene Herausforderungen zu bewältigen. Die einfachere Integration erneuerbarer Energiequellen durch dezentrale Stromproduktion anhand vieler kleiner Kraftwerke ist ein Hauptmerkmal des Smart Grid (Fang, Misra, Xue & Yang, 2012). Darüber hinaus besitzen intelligente Komponenten des Grids die Fähigkeit sich selbst zu organisieren und im Falle eines Störfalles rechtzeitig entgegenwirkende Maßnahmen einzuleiten, ohne dass menschliches Eingreifen nötig wird. Dies wird unter anderem durch das umfassende Sammeln und Auswerten von Messdaten ermöglicht, beispielsweise durch Synchrophasor-Messsysteme (vgl. De La Ree, Centeno, Thorp & Phadke, 2010), womit das Auftreten von Fehlern und Unterbrechungen mit hoher Präzision vorhergesagt werden kann. In weiterer Folge reduziert dies auch die Gefährdung der Umwelt durch Störfälle in Kraftwerken.

Zweitens wird das Smart Grid neuen Markt- und Kundenbedürfnissen gerecht. Ein vollständig digitalisiertes Versorgungsnetzwerk steigert die Transparenz im Wettbewerb und ermöglicht es Kunden, ihren Präferenzen entsprechend selbst dynamisch auf ­Preisänderungen zu reagieren. Dies geschieht unter anderem anhand des Konzepts der dynamischen Preissetzung (vgl. Faruqui & Sergici, 2010) und der technischen Implementierung durch Smart Meter (vgl. Van Gerwen, Jaarsma & Wilhite, 2006).

Drittens reagiert das Smart Grid auf infrastrukturbedingte Schwachstellen. Das heutige Stromnetz ist das Resultat inkrementeller Entwicklungen und Verbesserungen eines ursprünglichen Versorgungsnetzwerkes, die über das letzte Jahrhundert verteilt erfolgten (U.S. Department of Energy, 2003). Viele Komponenten des Stromnetzes sind der heutigen Netzbelastung nicht gewachsen und schaffen zunehmend Flaschenhalssituationen in der Stromversorgung. Durch flächendeckende sensorgesteuerte Überwachungs- und Vorhersagetools wird sichergestellt, dass die Zuverlässigkeit und Sicherheit des Netzes trotz begrenzter infrastruktureller Möglichkeiten gewährleistet wird (Li et al., 2010).
Viertens stellt das Smart Grid einen ganzheitlichen Ansatz dar, um Kompatibilität unterschiedlicher technologischer Lösungen mit dem Elektrizitätsnetz voranzutreiben. Die meisten der in dieser Arbeit genannten Technologien stehen noch in frühen Entwicklungsstadien und können nicht ohne Weiteres ins Stromnetz integriert werden. Das Smart Grid versteht sich nicht nur als technisches Konzept, sondern vielmehr als weitreichende Initiative, zu deren Hauptaufgaben die Schaffung von Interoperabilitätsstandards gehört (Von Dollen, 2009).

Das Internet of Things (IoT), also die vollständige Vernetzung alltäglicher Gebrauchsgegenstände mithilfe digitaler Kommunikationstechnologien, bildet eine technologische Grundlage für das Smart Grid (Zanella et al., 2014). In einem typischen Smart-Grid-Szenario kommunizieren IoT-fähige Haushaltsgeräte ihre Verbrauchsdaten in Echtzeit über Smart Meter. Diese intelligenten Stromzähler, die als Schnittstelle zwischen Haushalt und Netz fungieren, spielen damit eine wichtige Rolle bei der Verrechnung durch die Netzbetreiber. Letztere nutzen die schieren Mengen an Daten aber auch für Verbrauchsprognosen und Wartungszwecke. Das Thema IoT und die dafür notwendige Sensorik und Mikroelektronik hat in den vergangen Jahren beachtliche Entwicklungen erfahren. Neben geringeren Kosten weisen IoT-Technologien mittlerweile einen hohen Reifegrad auf und gewinnen im Digitalisierungskontext zunehmend an Bedeutung (vgl. Studie „IT-Trends-2017“, Capgemini).

Abgrenzung der Akteure

Innerhalb des Energiesektors gibt es verschiedene Akteure. Die Übertragungsnetzbetreiber (ÜNB) sind für das Übertragungsnetz zur überregionalen Versorgung und Übertragung im Hochspannungsbereich verantwortlich. Sie sind gesetzlich (§11 Energiewirtschaftsgesetz, EnWG) dazu verpflichtet, einen überregionalen Stromaustausch störungsfrei zu gewährleisten und die Erzeugung und den Verbrauch von Strom im Gleichgewicht zu halten. Der Grundversorger ist laut EnWG das Energieversorgungsunternehmen, welches die meisten Haushaltskunden in einem Netzgebiet der allgemeinen Versorgung beliefert. Haushaltskunden stellen nur eine Teilmenge der Gesamtheit der Endkunden dar. Endkunden sind im Allgemeinen die Konsumenten des erzeugten Stroms, wobei Endkunden nicht nur private Personen, sondern auch öffentliche Einrichtungen oder Unternehmen sein können. Der Vertrieb sorgt dafür, dass der erzeugte Strom an den Endkunden verkauft wird. Er ist darüber hinaus dafür zuständig, Angebote für zukünftige oder (Stamm-)Kunden zu erstellen, um entweder neue Kunden zu werben oder Stammkunden zu halten.

Smart Grid und Energieversorgungsnetzwerke

Das Smart Grid, ein intelligentes Versorgungsnetz, bezeichnet eine grundlegende Erweiterung des traditionellen Elektrizitätsnetzwerkes, über das Konsumenten ihre Energie beziehen. Es lassen sich zwei grundlegende Arten von Konsumenten je nach der Ableseart unterscheiden: Flat oder Intervall-bezogen. Die Erweiterung des Versorgungsnetzwerks ist gekennzeichnet von einem beidseitig gerichteten Energie- und Informationsfluss, der den Betrieb eines automatisierten, verteilten Versorgungsnetzwerks ermöglicht (Fang et al., 2012). Die Idee eines übergreifenden Smart Grid ist in vielerlei Hinsicht vielversprechend. Der flächendeckende Einsatz von Sensornetzwerken und automatisierten Umspannwerken vermindert beispielsweise das Risiko kaskadenartiger Blackouts, was wiederum zu einer bedeutenden Verbesserung der Versorgungsstabilität führt. Zudem fördert das Smart Grid die stärkere Einbindung von erneuerbaren Energiequellen und optimiert die Allokation von Kapazitäten, wodurch Belastungsspitzen im Stromnetz reduziert werden können. Dies führt nicht nur zu ökonomischen Wohlfahrtseffekten, sondern mindert auch die Gesamtbelastung der Infrastruktur (Fang et al., 2012). Das dafür notwendige Sammeln, Analysieren und Nutzen von Verbrauchsdaten sieht sich derzeit allerdings noch mit unvereinbaren Datenschutzbestimmungen konfrontiert (vgl. Bundesdatenschutzgesetz §3a). Das zeigt, dass es für die Umsetzung der Vision des Smart Grid nicht nur die entsprechenden technologischen Lösungen braucht, sondern dass auch auf politischer und gesellschaftlicher Seite Handlungsbedarf besteht.

Energieversorgungsnetzwerke sind komplexe Systeme, die sich aus unterschiedlichen Subsystemen, Funktionen und Technologien zusammensetzen. Einige Autoren (vgl. Lopes, Lezama & Pineda, 2011 und Marvasti, DorMohammadi & Rais-Johani, 2014) sprechen in diesem Zusammenhang von einem System-of-Systems (SOS), also einem Gesamtsystem, welches wiederum aus (a) operational unabhängigen und (b) betriebswirtschaftlich unabhängigen Subsystemen besteht (Maier, 1996). Dieser Umstand erschwert das Erkennen von Zusammenhängen und Auswirkungen einzelner Systemkomponenten im Smart Grid. Solche Komponenten können beispielsweise Konzepte, Technologien oder Applikationen sein, die maßgeblich zur Funktionsfähigkeit des Smart Grid beitragen. Sowohl in der Fachliteratur als auch im öffentlichen Diskurs und in Pressemitteilungen treten diese Systemkomponenten vielfach nur als Schlagwörter – Buzzwords – in Erscheinung. Dies erschwert die Verständlichkeit der Konzepte dahinter und führt dazu, dass deren Rolle im Digitalisierungsprozess nur durch aufwändige Recherche ersichtlich wird.

Notwendigkeit einer Referenzarchitektur

Um die Intransparenz und Begriffskonfusion im Energiesektor aufzulösen, sind die drei folgenden Fragen zu beantworten:
1. Welche Unternehmensbereiche und -funktionen sowie dazugehörige Applikationen und Technologien existieren in der digitalisierten Energiebranche?
2. Welche digitalisierungsspezifischen Konzepte, Applikationen oder Technologien lassen sich daraus ableiten?
3. Welche Rolle nehmen diese Konzepte im Digitalisierungsprozess ein?

In Anbetracht der Systemkomplexität ist es daher notwendig, Grundprinzipien der Modellierung wie Abstraktion, Partitionierung und Projektion (Bernroider & Stix, 2006, S. 6) anzuwenden, um Zusammenhänge verständlich und greifbar zu machen. Die Unternehmensmodellierung, insbesondere das Architectural Framework der Open Group (TOGAF), ist ein weitverbreiteter und erprobter Ansatz mit dem sich Geschäfts-, Applikations-, Technologie- und Datenarchitekturen von Unternehmen und Branchen verständlich darstellen lassen (Buckl, Ernst, Matthes, Ramacher & Schweda, 2009). In dieser Artikelreihe wird eine Referenzarchitektur für Akteure in der Energiebranche unter dem Gesichtspunkt der Digitalisierung erarbeitet. Konzepte und Technologien des Smart Grid werden identifiziert und auf ihre Rolle in der Digitalisierung untersucht. Dazu wird ein Referenzmodell der Digitalisierung nach Sultanow (2017) verwendet, in das die erarbeiteten Gesichtspunkte eingeordnet werden.

Unternehmensmodellierung

Bei der Unternehmensmodellierung handelt es sich um ein Verfahren, welches zur Darstellung des Modells eines Unternehmens oder Organisation angewandt wird. Dieses Modell beinhaltet „Struktur, Aktivitäten, Prozesse, Informationen, Ressourcen, Rollen, Verhalten, Ziele und Einschränkungen eines Unternehmens.“ (Fox & Gruninger, 1998, S.109). Ziel dieser Modellierung ist es, dem Unternehmen flexible und systematische Methoden und Praktiken (Best Practices) bereitzustellen, die dabei helfen, neue Herausforderungen im täglichen Geschäft bewältigen zu können (Sandkuhl, Wißotzki & Stirna, 2013, S. 20). Des Weiteren kann die Unternehmensarchitektur modelliert werden, wobei sich diese Arbeit auf die Geschäftsprozesse im Zusammenspiel mit der IT-Architektur beschränkt. Dies trägt maßgeblich zur Unterstützung oder gar Automatisierung von Aufgaben bei.

Die Modellierung einer Industrie ermöglicht es einem Unternehmen, seine Aufgaben und Technologien zu definieren, wodurch für Zulieferer und Kunden ein gemeinsames Verständnis für die vorhandenen Schnittstellen und erwarteten Ergebnisse geschaffen wird. Herausforderungen dabei sind Katalogisierung von Anwendungen dezentraler Natur und die Gliederung von Funktionen monolithischer (zum Beispiel kaufmännischer) Systeme. Beide sind kaum geeignet, flexibel auf den sich ändernden Markt zu reagieren.

Digitalisierung

Der Begriff „Digitalisierung“ genießt derzeit großes mediales Interesse. Er hat mehrere Bedeutungen – einerseits beschreibt er die Transformation von analoger zu digitaler Information und Kommunikation, andererseits kann „Digitalisierung“ aber auch die digitale Modifikation von Instrumenten und Geräten bezeichnen. Schließlich wird auch das Informationszeitalter selbst oft mit dem Begriff „Digitalisierung“ gleichgesetzt (Gabler Wirtschaftslexikon, 2017).
Angetrieben von sinkenden Transaktions- und Grenzkosten unterstützt die Nutzung moderner I&K-Technologie die Entwicklung neuer Geschäftsmodelle, wobei der Schwerpunkt auf Cost to Serve und Cost to Acquire liegt. Dies öffnet die Tür für sogenannte digitale Wettbewerber, die sich im Gegensatz zu ihrer analogen Konkurrenz nicht auf traditionelle Strukturen berufen, sondern mithilfe von analytischer Datenauswertung gezielter auf die Bedürfnisse ihrer Zielgruppe eingehen und ihre maßgeschneiderten Angebote auf digitalem Wege direkt an ihre Kunden vermitteln. Diese Entwicklung bereitet besonders traditionsbewussten Unternehmen mit starren Systemstrukturen ­Schwierigkeiten, deren entscheidende Instanzen mit den schnell wandelnden Technologien meist überfordert sind.
Die Digitalisierung von Arbeitsabläufen betrifft unterschiedlichste Branchen. Während der Dienstleistungssektor durch webbasierte Vermittlungsplattformen revolutioniert wird, entstehen auch für das produzierende Gewerbe weitreichende Veränderungen. Die Energiebranche widmet sich im Rahmen von Digitalisierung der Frage, wie und auf welchen Wegen sich Neukunden erreichen lassen. Durch anwendungsorientierte Forschung im Bereich der künstlichen Intelligenz sind produzierende Roboter und Assistenzsysteme sehr viel leistungsfähiger geworden als noch vor zehn Jahren. Lights-Out oder Smart Factories, also Fabriken, welche ohne menschliche Hilfe betrieben werden, sind längst keine theoretische Idee mehr, wie der Roboterhersteller FANUC beweist (vgl. Economist, 2012).

Das Fortschreiten der Digitalisierung macht sich jedoch auch in der Infrastruktur von Städten und einzelnen Gebäuden bemerkbar. Die Begriffe Smart City und Smart Home werden derzeit in der Energiebranche großgeschrieben, wobei die USA insbesondere in puncto Kosten und Sicherheit eine Vorreiterrolle eingenommen hat. Untereinander verbundene Geräte und eine entsprechende Sensorik bilden das Fundament, auf dessen Basis große Mengen an Daten – Big Data – gesammelt werden. Besonders Datenschützer stehen Big Data im Smart-Home-Umfeld kritisch gegenüber, weil dadurch das Verhalten und die Privatsphäre einzelner Individuen transparent wird. Allerdings stellt das Sammeln, Analysieren und Nutzen von Big Data gleichzeitig die Grundlage für neue Konzepte wie beispielsweise Remote Maintenance oder das Smart Grid dar.

Architekturelle Sicht auf die Digitalisierung

Um den Einfluss der Digitalisierung herauszuarbeiten, kann das oben beschriebene Verfahren der Unternehmensmodellierung genutzt werden. Dafür werden einzelne Konzepte, Technologien und Applikationen der Digitalisierung in einem Referenzmodell (Sultanow, 2017) dargestellt, das in drei Achsen aufgeteilt ist:

1. Die x-Achse gliedert die Begriffe der Digitalisierung in ihre funktionellen Aspekte auf.
2. Auf der y-Achse sind die Architekturebenen eines Unternehmens aufgelistet.
3. Auf der z-Achse wird nach unterschiedlichen Branchen geordnet.

Darüber hinaus werden die Begriffe in vier Funktionsgruppen unterteilt, die den Prozess der Digitalisierung beschreiben:

1. Tag, Sense and Wire beschreibt jegliche Technologien, Anwendungen und Prozesse, die dabei helfen, Daten aufzuzeichnen und wahrzunehmen und verschiedene Geräte miteinander zu verbinden.
2. Unter Ingest fallen alle Begriffe, die für die Übertragung und Speicherung von Daten notwendig sind.
3. Analyse & Prepare führt Technologien, Prozesse und Anwendungen auf, mit denen Informationen nutzbar gemacht werden können.
4. Der Punkt Utilize gibt die tatsächliche Nutzung der gewonnenen Informationen wieder.

Um die Einordnung der Digitalisierungsbegriffe logisch zu gestalten, werden diese nicht nur nach Funktion, sondern auch nach unternehmensbezogener Architekturebene gegliedert (Abbildung 1). In der Business-Ebene werden sämtliche Business Capabilities oder Entwicklungen, welche diese unterstützen, aufgelistet. Die Data-Ebene führt die Technologien und Geräte auf, welche dabei helfen, Informationen für die Business Capabilities zu sammeln oder diese widerzuspiegeln. Die Application-Ebene listet Anwendungen und Systeme auf, welche die erfassten Informationen und Daten verarbeiten und anzeigen können. Die Technology-Ebene befasst sich mit Technologien, mit deren Hilfe Daten und Information in den einzelnen Funktionsebenen gesammelt, analysiert und aufbereitet werden können.

Damit der Rahmen unterschiedliche Branchen einschließlich Schnittstellen und Wechselwirkungen berücksichtigt, erfolgt auf der z-Achse der Eintrag der jeweiligen Sektoren (Abbildung 2). Die Einordnung der Ausprägungen in das Modell erfolgt dann analog für die jeweils ausgewählte Branche.

Ausblick

Im zweiten Teil dieser Artikelreihe stellen wir die spezifische Referenzarchitektur für den Energiesektor vor, welche auf dem hier vorgestellten Ansatz beruht. Diese umfasst ein Domänenmodell und die vier Architekturen Business, Data, Application und Technology. Zudem wird ein Bezug zum Smart Grid Architecture Model (SGAM) Framework und zum Standard IEC 62559 hergestellt. Die im zweiten Teil vorgestellte Referenzarchitektur deckt die drei für die Digitalisierung relevanten Bereiche IoT, Augmented Reality und Cognitive Computing ab.

Literatur

BDEW Bundesverband der Energie- und Wasserwirtschaft (2015, Juni). Digitalisierung in der Energiewirtschaft. Strategiepapier.
Bernroider, E., & Stix, V. (2006). Grundzüge der Modellierung: Anwendungen in der Softwareentwicklung. facultas. wuv/maudrich.
Birkmann, J., Bach, C., Guhl, S., Witting, M., Welle, T., & Schmude, M. (2010). State of the Art der Forschung zur Verwundbarkeit kritischer Infrastrukturen am Beispiel Strom, Stromausfall (No. 2). Forschungsforum.
Buckl, S., Ernst, A. M., Matthes, F., Ramacher, R., & Schweda, C. M. (2009, September). Using enterprise architecture management patterns to complement TOGAF. In Enterprise ­Distributed Object Computing Conference, 2009. EDOC’09. IEEE International (pp. 34-41). IEEE.
Bundesnetzagentur (2015). EEG-Statistik: Deutlicher Anstieg von Einspeisemanagementmaßnahmen. Abgerufen von https://www.bundesnetzagentur.de/SharedDocs/Pressemitteilungen/DE/2015/151110_EEG_ZD.html?nn=681428
Capgemini. (2017). Studie IT-Trends 2017: Überfordert Digitalisierung etablierte Unternehmensstrukturen? Report.
De La Ree, J., Centeno, V., Thorp, J. S., & Phadke, A. G. (2010). Synchronized phasor measurement applications in power systems. IEEE Transactions on Smart Grid, 1(1), 20-27.
Economist. (2012, 21. April). Making the Future. Abgerufen von http://www.economist.com/node/21552897
Eusgeld, I., Nan, C., & Dietz, S. (2011). “System-of-systems” approach for interdependent critical infrastructures. Reliability Engineering & System Safety, 96(6), 679-686.
Fang, X., Misra, S., Xue, G., & Yang, D. (2012). Smart grid—The new and improved power grid: A survey. IEEE communications surveys & tutorials, 14(4), 944-980.
Faruqui, A., & Sergici, S. (2010). Household response to dynamic pricing of electricity: a survey of 15 experiments. Journal of regulatory Economics, 38(2), 193-225.
Fox, M. S. F., & Gruninger, M. G. (2013). Enterprise Modeling. Enterprise Modeling AI Magazine, 19(3), 109.
Gabler Wirtschaftslexikon. (2017, 24. Januar). Stichwort: Digitalisierung. Abgerufen von http://wirtschaftslexikon.gabler.de/Archiv/-2046143105/digitalisierung-v2.html
Li, F., Qiao, W., Sun, H., Wan, H., Wang, J., Xia, Y., & Zhang, P. (2010). Smart transmission grid: Vision and framework. IEEE transactions on Smart Grid, 1(2), 168-177.
Lopes, A. J., Lezama, R., & Pineda, R. (2011). Model based systems engineering for smart grids as systems of systems. Procedia Computer Science, 6, 441-450.
Maier, M. W. (1996, Juli). Architecting principles for systems-of-systems. In INCOSE International Symposium (Vol. 6, No. 1, pp. 565-573).
Marvasti, A. K., Fu, Y., DorMohammadi, S., & Rais-Rohani, M. (2014). Optimal operation of active distribution grids: A system of systems framework. IEEE Transactions on Smart Grid, 5(3), 1228-1237.
Mautz, R., Byzio, A., & Rosenbaum, W. (2008). Auf dem Weg zur Energiewende; die Entwicklung der Stromproduktion aus erneuerbaren Energien in Deutschland; eine Studie aus dem Soziologischen Forschungsinstitut Göttingen (SOFI). Universitätsverlag Göttingen.
Sandkuhl, K. S., Wißotzki, M. W., & Stirna, J. S. (2013). Unternehmensmodellierung- Grundlage, Methode und Praktiken. Heidelberg, Deutschland: Springer Vieweg.
Sultanow, E. (2017). Digitalization from an Architectural Perspective. Working Paper, Capgemini.
U.S. Department of Energy (2003, Juli). Grid 2030-A national vision for electricity’s second 100 years. Technical Report.
Van Gerwen, R., Jaarsma, S., & Wilhite, R. (2006). Smart metering. Leonardo-energy. org, 9.
Von Dollen, D. (2009). Report to NIST on the smart grid interoperability standards roadmap. Electric Power Research Institute (EPRI) and National Institute of Standards and Technology.
Zanella, A., Bui, N., Castellani, A., Vangelista, L., & Zorzi, M. (2014). Internet of things for smart cities. IEEE Internet of Things journal, 1(1), 22-32.

Autoren

Dr. Eldar Sultanow
eldar.sultanow (ät) capgemini.com
Eldar Sultanow ist Architekt bei Capgemini in Deutschland. Davor war er CIO eines mittelständischen Pharmagroßhändlers, nachdem er als JEE-Entwickler/Architekt für ein E-Commerce-Unternehmen in Berlin tätig war, das ein führendes Verbraucherinformationsportal Europas entwickelt und betreibt.

Christoph von Tucher
christoph.v.tucher (ät) capgemini.com
Christoph von Tucher ist Global Account Executive bei Capgemini im Bereich der CIO Advisory Services. Er verfügt über mehr als 15 Jahre Erfahrung im Energiesektor und war bei Capgemini Account Manager für Technologie und Energiewirtschaft.

Artur Biedulski
biedulski (ät) uni-potsdam.de
Artur Biedulski hat an der Hochschule für Wirtschaft und Recht Berlin und an der Universität Potsdam studiert. Aktuell befindet er sich im zweiten Fachsemester des Masterstudiengangs Wirtschaftsinformatik.

Jan-Hendrik Lesny
jlesny (ät) uni-potsdam.de
Jan-Hendrik Lesny hat an der Universität Potsdam Wirtschaftsinformatik studiert. Er befindet sich momentan im ersten Fachsemester des Masterstudiums. Sein Schwerpunkt ist hierbei die Fachrichtung Wirtschaftsinformatik.

Michael Hanser
mhanser (ät) uni-potsdam.de
Michael Hanser hat Wirtschaftswissenschaften und -informatik an der Wirtschaftsuniversität Wien, Oregon State University und der Universität Potsdam studiert. Er ist als wissenschaftliche Hilfskraft für Wirtschafsinformatik an der Universität Potsdam tätig und befasst sich mit Unternehmensarchitekturen und Modellierungssprachen.