Eldar Sultanow, Christoph von Tucher, Artur Biedulski, Jan Lesny und Michael Hanser

Damit die Einordnung nachvollziehbar und die Abbildungen übersichtlich bleiben, erfolgt die Einordnung jeweils domänenspezifisch. Dabei kann nicht ausgeschlossen werden, dass sich Begriffe teilweise in mehreren Domänen wiederfinden.

A.1 Energy Generation

Abb. 1 zeigt die Einordnung der Schlüsselbegriffe aus Energy Generation-Domain, die die Erzeugung und Bereitstellung von Elektrizität beschreibt. Im Zuge der Digitalisierung wird die konventionelle Energieerzeugung durch neue Technologien und Applikationen abgebildet und verändert. Die dezentrale Energieerzeugung schafft Möglichkeiten, effizientere und ressourcenschonendere Energie zu erzeugen.

Die im zweiten Teil der Artikelserie erarbeiteten Begriffe stellen Abb. 1-6 im Modell zur Digitalisierung nach Sultanow (2017) zusammenfassend dar. Nachfolgend wird die Einordnung für jeden Begriff begründet, wobei die Reihenfolge durch den jeweiligen Schritt im Digitalisierungsprozess, Tag, Sense & Connect (1), Ingest (2), Analyse & Prepare (3) und Utilize (4) bestimmt ist.

Management Systeme

Das SCADA-System wird in der Literatur oft mit dem Energy Management System gleichgesetzt. ­SCADA steht für Supervisory Control and Data ­Acquisition. Aus dem Namen leiten sich gleichzeitig die Systemfunktionen ab. Das SCADA-System ist eine grundlegende Anwendung, die auf dazugehöriger Hardware/Sensorik aufbaut und sensorisch erfasste Daten aufnimmt, weiterverarbeitet, aufbereitet und analysiert. Das SCADA-System deckt die ersten drei Schritte des Digitalisierungsprozesses vollständig ab. Den letzten Schritt Utilize deckt ein SCADA-Augmentor (vgl. VTScada Software, 2017) ab – eine Applikation, die mittels AR-Technologie SCADA-Informationen für die Netzbetreiber visualisiert. Ingenieure oder Auditoren der Netzbetreiber sind nicht mehr räumlich an eine Steuerungszentrale gebunden, sondern erhalten bei Rundgängen und Inspektionen unmittelbar relevante Informationen über einen AR-Client des SCADA­Systems und können sich so schneller einen Lageüberblick verschaffen und bei Bedarf Maßnahmen ergreifen.

Das Energy Management System (EMS) stellt die zentrale Kontrolleinheit der Energieerzeugungsanlagen dar. Sie vereinigt viele der schon aufgeführten Technologien und Applikationen. Dies ist nötig, um die effiziente und effektive Verwaltung der Erzeugungsanlagen sicherzustellen. Eine Funktion, die ein EMS nicht innehat, ist die Funktion, Erzeugungsanlagen untereinander zu verbinden und Daten zu sammeln. Automated Generation Control (AGC) beschreibt eine Funktion der zentralen Kontrolleinheit einzelner Energieerzeuger innerhalb eines Grids. Diese Funk­tion arbeitet nach einem bestimmten Algorithmus und überwacht die Energieerzeugung auf Grundlage der gesammelten Daten. Stellt der Algorithmus anhand dieser Daten einen Engpass zwischen der Energieerzeugung und gespeicherten Energie fest, dann greift er in die Erzeugung ein, indem er eine zusätzliche Erzeugungsanlage zuschaltet oder aus dem Grid herausnimmt. Die AGC deckt die Anwendungsebene und Sparte Utilize ab. Sie gehört nicht zu den reinen Managementsystemen, kann jedoch mithilfe von Cognitive Computing managementrelevante Fragen bezüglich der Strategie beantworten. Dabei ist CC noch nicht in der gesamten Energie-Branche vorhanden, wird allerdings schon in der Gas- und Öl-Industrie verstärkt eingesetzt, um die enormen Mengen an erhobenen Daten intuitiv nutzbar zu machen. Führungskräfte der Gas- und Öl-Industrie sind sich einig, dass Cognitive Computing die Industrie radikal verändern wird (IBM, 2016).

Ein Field Operations Advisor (IBM, 2014) ist eine Anwendung, die Informationen über korrekte Prozesse und Prozeduren sowie über den Zustand der zu verwendenden Geräte bei der Energieerzeugung bereitstellt. So können Risiken gemindert und eine Downtime vermieden werden (IBM, 2014). Da der Field Operations Advisor Daten zur Logistik, zu Prozessen oder entsprechenden Werkzeugen/Maschinen nur auswertet und die zu treffenden Entscheidungen nicht selbst ausführt, fällt er in den Bereich Analyse & Prepare.

Load

Die Load Prediction ist eine Funktion zur Berechnung der erwarteten Netzbelastung. Sie basiert auf ­erfassten Produktions- und Verbrauchsdaten und wird benötigt, um die Stabilität des Stromnetzes zu sichern. Es handelt sich dabei um eine datenbasierte Funktion, die Voraussagedaten/Prognosen liegen in der Datenebene. Weil im Rahmen von Load Prediction die gesammelten Daten weiterverarbeitet werden, wird sie in die Sparte Analyse & Prepare eingruppiert. Diese Funktion bedient sich maschineller Lernverfahren zur besseren statistischen Vorhersage und liegt damit im Feld C­ognitive Computing. Load Profile sind Daten, welche die Netzbelastung (meistens in Graphen) zu bestimmten Tageszeiten und (Wetter-)Bedingungen darstellen. Diese Daten sind das Output des Schritts Analyse & Prepare und somit Grundlage für weitere Entscheidungen, wie zum Beispiel das Hinzuschalten oder Abkoppeln eines virtuellen Kraftwerks. Load Profile bildet die Datengrundlage für Load Prediction und ist daher auch dem CC-Feld zuzuordnen.

Micro Grid

Das Micro Grid ist ein lokales Grid zur Energieerzeugung, welches sich einzeln kontrollieren und verwalten lässt. Es kann, nachdem es von einem Macro Grid abgekoppelt wurde, gesondert weiter operieren. Aufgrund dieser Fähigkeit wird das Micro Grid in der Technologieebene eingeordnet. Der Umstand, dass ein Micro Grid nur mit dem Macro Grid verbunden ist und keine Aufgaben, wie das Verbinden von Konsumenten und Produzenten oder das Sammeln und Aufbereiten von Daten, übernimmt, sondern als reine Produktionseinheit gilt, rechtfertigt dessen Einordnung in die Sparte Utilize.

Der Micro Grid Integrator analysiert Nutzungsdaten aus dem Macro Grid und entscheidet aufgrund der Analyseergebnisse, ob bei einem Ungleichgewicht innerhalb des Macro Grids ein Micro Grid hinzugeschaltet oder abgekoppelt werden muss. Weiterhin ist der Micro Grid Integrator dafür verantwortlich, dass das zugehörige Micro Grid stabil arbeitet. Dahingehend kann er zwischen dem Modus des Micro Grids wechseln, den Systemstatus ausgeben und die allgemeine Arbeitsweise des Micro Grids durch Anpassungen ­optimieren.

Der Islanding Mode (Modus) beschreibt den Zustand, den ein Micro Grid einnimmt, wenn es, abgekoppelt vom ­Macro Grid, ­selbständig weiter Energie produziert. Im Islanding Mode wird die erzeugte Energie lokal bis zur Einspeisung gespeichert. Dieser Modus ist wichtig, um das Micro Grid nicht unnötig abhängig vom Macro Grid zu machen und die Stromversorgung in krisenartigen Zuständen zu gewährleisten. Der Islanding Mode ist eine Micro Grid-Funktion, welche in der Digitalisierungsstufe Utilize liegt.

Konzepte

Ein virtuelles Kraftwerk, in der Literatur auch Virtual Power Plant genannt, ist (anders als ein konventionelles Kraftwerk) das Konzept eines Kraftwerks, welches aus mehreren dezentralen Erzeugungsanlagen besteht. Ein Kontrollzentrum steuert diese, um eine effektive Energieerzeugung zu gewährleisten. Es aggregiert alle Erzeugungsanlagen und listet sie in einer Übersicht auf. Aus den so erhaltenen Daten einzelner Erzeugungsanlagen sind Handlungen ableitbar, die alle oder einzelne Anlagen betreffen. Ein virtuelles Kraftwerk macht es möglich, Einzelanlagen zusammenzufassen, deren Daten aufbereitet darzustellen und auf Basis dieser Daten Entscheidungen vorzuschlagen. Das Konzept eines virtuellen Kraftwerks gehört in die Business-Ebene. Weil die Aufbereitung der gesammelten Daten nicht durch das virtuelle Kraftwerk selbst ausgeführt, sondern dafür noch eine andere Technologie benötigt wird, ist das Konzept virtuelles Kraftwerk der Stufe Utilize zuzuordnen.

Vehicle-to-Grid beschreibt ein Konzept, bei dem Elektrofahrzeuge mit dem Grid verbunden sind. Tritt ein Ungleichgewicht im Stromnetz auf, kann dieses durch eine intelligente Nutzung des Schwarms (alle verbundenen Elektrofahrzeuge) ausgeglichen werden. Dabei geht es bei Vehicle-to-Grid hauptsächlich darum, Elektrizität vom Elektrofahrzeug in das Stromnetz zu speisen. Vehicle-to-Grid ist ein Konzept, welches als Reaktion auf Strom- beziehungsweise Produktionsengpässe angewandt werden kann. Deswegen wird es in die Sparte Utilize eingeordnet. Grid-to-Vehicle ist das gegenteilige Konzept, bei dem der Akku von Elektrofahrzeugen mit überschüssigem Strom aus dem Grid geladen werden kann.

Ein Prosumer ist generell jemand, der Konsument und Produzent zugleich ist. In der Energiebranche sind unter diesem Begriff alle Konsumenten von Elektrizität, die auch gleichzeitig Energie erzeugen, speichern und einspeisen, zusammengefasst. Der Prosumer liegt demnach in der Business-Ebene und, da er ein Nutzer des Macro Grids ist, in der Sparte Utilize.

A.2 Energy Delivery & Infrastructure

Damit die erzeugte Energie auch bei dem Verbraucher ankommt, braucht es ein Bindeglied zwischen der Energy Generation und dem Verbraucher. Dieses Bindeglied stellt die Domain Energy Delivery & Infrastructure dar. Das sind jedoch nicht alle Aufgaben dieser Domain. Hinzu kommt die Aufgabe, das gesamte Netz zu überwachen, instand zu halten und es auszubauen. Auch hierfür entstanden im Zuge der Digitalisierung neue Technologien. Im Folgenden werden die erarbeiteten Schlüsselbegriffe vorgestellt und mit Abb. 2 in das Modell eingefügt. Die grundlegende Technologie zur Überwachung und Steuerung mittels Sensoren und dazugehörige Hardware sind dem Digitalisierungshauptfeld IoT zugeordnet.

Sensoren

Die Phasor Measurement Unit (PMU) stellt ein Gerät zur Stromspannungsmessung zu einem bestimmten Zeitpunkt dar. Die durch diese Units erfassten Daten werden an das Meter Data Management System (MDMS) weitergeleitet und dort aufbereitet. Einzuordnen ist die PMU als Hardware in die Technologieebene und (da sie Messdaten erhebt) in die Sparte Tag, Sense & Connect. Ebenso wie die PMU wird auch ein gewöhnlicher Sensor zur Erfassung von Daten verwendet. Die Daten müssen aber nichts mit der Stromspannung zu tun haben. Sensoren sind in diesem Kontext das Mittel zur allgemeinen Datenerfassung wie etwa die Dauer der Benutzung eines Haushaltsgerätes. Die PMU-Daten finden sich in der Datenebene ebenfalls unter ebenfalls der Sparte Tag, Sense & Connect wieder. Programmable Logical Controller (PLC) sind Teil eines SCADA-Systems. Auf unterster Ebene sind sie durch ihre Sensoren in der Lage, Veränderungen zu erkennen oder nehmen Anweisungen an und leiten sie weiter. Sie bilden also per Definition den Digitalisierungsschritt Tag, Sense & Connect ab. Die Remote Terminal Unit (RTU) bildet physische Objekte softwaretechnisch ab und übermittelt deren Daten an ein Mastersystem, wie zum Beispiel das SCADA-System. Aus diesem Grund wird die RTU in die Technologieebene und Sparte Ingest eingeordnet.

Systeme

Die Advanced Metering Infrastructure (AMI) ist ein System der Technologieebene bestehend aus Smart Metern und Smart Gateways als Hardware und einem Analysetool als Software. Die AMI sammelt die via Smart Meter erfassten Daten, leitet diese weiter und analysiert sie. Da die AMI die Gesamtheit aller Smart Meter und zusätzliche Applikationen beinhaltet, die Daten aufnehmen und weiterverarbeiten, deckt sie die Schritte Tag, Sense & Connect, Ingest und Analyse & Prepare komplett ab. Das MDMS ist mit dem Meter Data Management verwandt. Es hat die Aufgabe, die durch das MDM aufgenommenen Daten zu analysieren und nutzbar zu machen. Somit fügt sich diese Applikation in die Sparte Analyse & Prepare ein.

Applikationen und Funktionen

Remote Monitoring wird in neuartigen Anwendungen unterschiedlicher Industrien verwendet. Es ist eine Applikation, die gesammelte Daten zu Systemüberwachungszwecken spezifisch aufbereitet und darstellt. Ein Beispiel hierfür ist mit Bezug auf ein virtuelles Kraftwerk die Darstellung der einzelnen Erzeugungsanlagen und deren durchschnittliche Erzeugung. Sollte ein angezeigter Wert nicht im Normalbereich liegen, kann sofort gehandelt werden. Somit deckt diese Anwendung die Schritte Analyse & Prepare und Ingest ab.

Das Meter Data Management (MDM) nimmt die aufbereiteten Daten aus dem AMI-System auf, verwaltet diese, um sie bei Bedarf weiterzuleiten. Der Data Aggregator/Concentrator nimmt eine ähnliche Funktion wie das MDM ein. Er sammelt alle Daten, um diese dann an die jeweiligen Instanzen zur Weiterverarbeitung zu übertragen oder selbst aufzubereiten. Es gibt unterschiedliche zweckgebundene Aggregatoren, die jeweils spezifische Daten sammeln und beinhalten. Folglich ist ein Data Aggregator/Concentrator als Technologie aufzufassen, welche die Digitalisierungsstufen Ingest und Analyse & Prepare abdeckt.

Grid Self-Healing ist eine Technologie, die das Smart Grid dazu befähigt, selbstständig Fehler zu erkennen und zu beheben. Durch Echtzeitdatenerhebung können im Fehlerfall in der Stromverteilung die fehlerhaften Glieder isoliert und die Energieverteilung neu berechnet werden.

IoT-Plattformen, wie zum Beispiel ThingWorx IoT Platform, Eurotech oder die Open Smart Grid Platform (OSGP), sind ein neuer Trend, der herkömmliche Machine-to-Machine (M2M)-Systeme ablöst. Während M2M-Systeme vernetzte Maschinen und Applikationen darstellen, welche für die Lösung einer eingegrenzten Zahl konkreter Probleme bestimmt sind, lassen sich mittels IoT-Plattformen beliebige, bereits vorhandene Daten- und Kommunikationsinfrastrukturen innerhalb der gesamten Wertschöpfungskette nutzen. IoT-Plattformen ermöglichen es, auf generische Weise Anwendungen zu bauen, zu testen, auszurollen und sich offen verfügbare Daten zu Nutze zu machen. IoT-Plattformen reihen sich in die Anwendungsebene und Ingest-Sparte ein. Das IoT-Konzept erstreckt sich in seiner Gesamtheit auch über die Technologieebene, da es Sensoren oder andere IoT-Geräte einbezieht.

Business-Konzepte

Das Automated Meter Management (AMM) ist ein Bestandteil der Advanced Metering Infrastructure. Das Konzept hilft Verbrauchern dabei, durch Steuerung der Verbrauchsgeräte ihre Tarife optimal zu nutzen. Außerdem stellt es über das Smart Metering Echtzeit- und Detailinformationen eines jeden Verbrauchers zur Verfügung. Diese Informationen liefern dem Smart Grid Aussagen über eventuelle Mehrbedarfe. AMM beschreibt ein Geschäftskonzept zur Optimierung, das die Schritte Ingest, Analyse & Prepare und Utilize abdeckt. Outage Prevention stellt ein Nutzungskonzept zur Verhinderung von Ausfällen dar. Meistens werden Ausfälle oder ablaufstörende Ereignisse von Menschen verursacht. Die Konzeptgrundlage ist eine Visualisierung von Echtzeitdaten über das SCADA-/EMS-System, die der Findung von ­Outage-Management-Entscheidungen dient. Daher handelt es sich um ein Augmented Reality-Konzept. Ein wichtiger Dienst bei Netzausfällen ist auch das AR-assisted Inventory Management, welches die Beschleunigung des Kommissionierens wichtiger Ersatzteile bewirkt (Simmins, 2016). Mitarbeiter können mithilfe augmentierter Navigation und Produktinformationen die benötigten Teile schneller bereitstellen.

Predictive Maintenance und Remote Maintenance sind zwei Konzepte zur effizienten und effektiven Wartung des Smart Grids und dessen Infrastruktur. Beide Konzepte sind auf aufbereitete Daten einer Remote-Monitoring-Lösung angewiesen. Predictive Maintenance verwendet diese Daten, um den optimalen Zeitpunkt für eine Wartung festzulegen. Remote Maintenance ist ein allgemeines Konzept, um auf der Basis aufbereiteter Grid-Daten die Wartung des Smart Grids zu optimieren. Beide Konzepte decken alle Digitalisierungsstufen ab, nutzen analog zum Outage-Management die Visualisierung von Wartungsdaten und fallen in den Bereich Augmented Reality. Eine wesentliche Rolle bei Predictive Maintenance spielt Reusable Parts Guide – eine Applikation, welche die von (an Maschinen befindlichen) Sensoren erfassten Daten auswertet und dabei historische Gerätedaten und Nutzungsdaten aller eingesetzten Maschinen und Werkzeuge einbezieht. Auf Grundlage dieser Auswertung geben Ingenieure und Wartungsarbeiter Empfehlungen darüber, welche Maschinenteile wiederverwertbar und in welche Maschine sie am besten einsetzbar sind, um den Nutzen bei der Produktion zu maximieren.

Das Geschäftskonzept Expedited Equipment Maintenance (Augment News, 2017) beschreibt die Möglichkeit, AR-Technologie zur Wartung von Anlagen und Equipment einzusetzen. Servicetechnikern wird konkretes Expertenwissen zu betroffenen Anlagen bereitgestellt und Wartungs-/Reparaturarbeiten werden maßgeblich beschleunigt. Applikationen der Maintenance Augmentation for Critical Workflow Information helfen den Servicetechnikern, relevante Bauteile während einer Inspektion oder Reparatur zu erkennen und richtig zu behandeln (Simmins, 2016). Hierbei kommen Computer Vision-Techniken für die Bauteilerkennung zum Einsatz. Quality-of-Service Requirements sind Verfahren, welche die Dienstgüte von Services sicherstellen, also die Qualität, mit der die Leistung beim Empfänger ankommen soll. Meistens wird dieser Begriff im Hinblick auf die Datenübertragung und die dafür verwendeten Protokolle genannt. Die Quality-of-Service Requirements sind nicht gesetzlich vorgeschrieben, jedoch eine Geschäftsentscheidung und liegen im Digitalisierungsmodell innerhalb der Sparte Utilize.

A.3 Customer Interaction

Die Domain Customer Interaction ist zwar weniger spezifisch, dennoch wichtig für die Energiebranche. Sie beschäftigt sich mit der Kundenidentifizierung, -gewinnung und -bindung. Für die Kundenbindung ist es vor allem wichtig, die Kundenzufriedenheit fortlaufend zu messen und (entsprechend der Ergebnisse) eigene Prozesse und Dienste weiterzuentwickeln. Nachfolgend werden die für diese Domain identifizierten Begriffe in das Digitalisierungsmodell eingeordnet. Das Ergebnis dieser Einordnung spiegelt Abb. 3 wider.

Smart Metering Hardware

Das Smart Meter ist ein moderner Stromzähler, der mit allen elektrischen Geräten verbunden ist und über Funktionen verfügt, mit denen er dem Verbraucher genau aufzeigen kann, wann er wo wieviel Strom verbraucht hat. Es nimmt diese erfassten Daten auf und kann durch lokale Auswertungen sogar Verbrauchsgeräte intelligent und selbstständig steuern. Das Smart Meter wird demnach in die Technologieebene eingeordnet und bildet jeden Digitalisierungsprozessschritt ab. Ein Smart Meter Gateway ist die Kommunikationseinheit des Smart Meters, die es mit verschiedenen Marktteilnehmern verbindet, wobei die Smart Meter ihre erhobenen Nutzungsdaten an das Smart Meter Gateway senden.

Softwarelösungen

Das Customer Relationship Management (CRM)-System ist eine Unternehmensanwendung zur Kundenverwaltung. Moderne CRM-Systeme bieten die Möglichkeit, gespeicherte Kundendaten zu analysieren, um zum Beispiel Abwanderungstendenzen frühzeitig zu erkennen und direkt mit dem Kunden (Stromverbraucher) in Kontakt zu treten. Die Funktionalität eines CRM-Systems beginnt also bei der Datenaufnahme (Ingest) und erstreckt sich bis hin zu Utilize. Der Consumption Manager ist ein Softwaresystem auf Anwendungsebene, mit dessen Hilfe die durch das Smart Meter gewonnenen und durch das Smart Meter Gateway weitergeleiteten Zählerstände der Verbraucher analysiert werden, um Verbrauchsmuster zu erkennen. Basierend auf diesen aufbereiteten Daten erstellen Stromanbieter für ihre Kunden Tarifangebote. Dementsprechend ist der Consumption Manager in der Sparte Analyse & Prepare verortet.

Business-Konzepte

Das Engagement Tracking wird vom CRM unterstützt und dazu verwendet, um Kundenaktivitäten zu beurteilen/zu analysieren und hat somit einen geschäftlichen Nutzen. Dies geschieht auf Grundlage von bereits aufbereiteten Daten. Mit dem Ergebnis einer solchen Beurteilung lassen sich weitere Entscheidungen über zusätzliche und für den Kunden nützliche Services treffen. Die Lead Identification beschreibt ein Geschäftskonzept, mithilfe dessen das Unternehmen neue Kunden oder Kundengruppen identifizieren oder schon vorhandene Kunden in Gruppen unterteilen kann. Dies geschieht mithilfe von gespeicherten und analysierten Nutzerdaten. Lead Identification operiert auf schon fertig aufbereiteten Daten und stellt somit den letzten Schritt in der Wertschöpfungskette Utilize dar.

Zusammen mit dem Engagement Tracking, das auf nutzerspezifischen User Engagement Data basiert, bildet dieser Begriff einen Teil des Umbrella Terms Marketing Automation.

A.4 Customer Management

Die Domain Customer Management beinhaltet die administrative Verwaltung des einzelnen Kunden. Neben dem Account Management existiert eine zusätzliche, für die Energiebranche typische Subdomain, das Demand Profiling. Hier werden aus den gemessenen Verbrauchs- und Nutzungsdaten für jeden Kunden Nachfrageprofile erstellt. Abb. 4 stellt die Einordnung der Customer Management Bausteine grafisch dar.

Der Begriff Usage Data verkörpert die gesammelten Nutzerdaten, welche später analysiert werden. Die Einordnung erfolgt demnach in die Datenebene und in den Prozessschritt Tag, Sense & Connect. Darauf aufbauend bildet ein Usage Pattern das Verbrauchsmuster eines Kunden. Es besteht aus allen gesammelten Verbrauchsdaten eines Kunden und gehört deshalb zu Analyse & Prepare. Das Demand Profiling schließt diesen Prozess ab – es erstellt anhand der Nutzerdaten für jeden Kunden ein Verbrauchsmuster und zielt darauf ab, ihm bessere Services anzubieten. Die Energy Utility Function stellt ein mathematisches Konzept dar, welches die Präferenzen eines Verbrauchers in Bezug auf seinen Energieverbrauch ableitet. Die für die Customer Management Domain spezifischen Bausteine Usage Pattern, Usage Data, Energy Utility Function bauen auf Nutzerdaten auf und werden zu dem Umbrella Term User Data zusammengefasst.

A.5 Market & Pricing

In dieser Domain werden mithilfe umfassender Marktanalysen und Trading-Tools Energiepreise errechnet und danach an die Kunden weitergeleitet. Eine folgerichtige Antwort auf die Tatsache, dass sich die Energiebranche im ständigen Wandel befindet, sind im Kontext der Subdomain Market Analysis & Prediction durchgeführte Marktanalysen. Die Subdomain ­Demand Response Management ist für die Wahrung der Netzstabilität verantwortlich. In Abb. 5 sind die Schlüsselbegriffe/Bausteine der Market & Pricing-Domain visualisiert. Die innerhalb dieser Domain verwendeten Daten werden unter anderem von Smart Metern bei den Kunden oder durch das CRM-System erhoben.

Demand Response Management

Ein Demand Peak stellt eine Nachfragespitze dar. Das heißt, dass zu diesem bestimmten Zeitpunkt der zusammengefasste Stromverbrauch besonders hoch ist. Der Demand Peak ist der Datenebene und dem Abschnitt Analyse & Prepare zuzuordnen, weil es sich um einen Wert handelt, der Ergebnis einer Analyse ist. Ziel von Demand Response Management ist die Reduzierung der Netzbelastung. Es ist ein Geschäftskonzept, das andere Konzepte dieser Domain wie Dynamic Pricing oder Peak Shaving vereint und die Schritte Ingest, Analyse & Prepare und Utilize abdeckt. Das Peak Shaving wird angewandt, wenn unterschiedliche Demand Peaks bekannt sind. Es beschreibt Methoden zur Reaktion auf und Ausgleichung von Nachfragespitzen. Dynamic Pricing ist ein Konzept zur Anpassung der Strompreise in Abhängigkeit der Netzbelastung, so dass Kunden zur Änderung ihres Nutzungsverhaltens angeregt werden.

Market

Ein Portfolio-Management-System ist eine Softwarelösung für die Verwaltung und Durchführung von Handelsaktivitäten. Dabei nimmt sie Daten zur Marktentwicklung auf und analysiert diese, um daraus Handlungsalternativen abzuleiten und durchzuführen. Das Portfolio-Management-System bildet die Schritte Ingest, Analyse & Prepare und Utilize ab. Im Zusammenhang mit diesem System steht die Market Prediction, die Methoden für das Treffen von Vorhersagen über die Marktentwicklung umfasst. Miteinbezogen werden hierbei Daten über den gegenwärtigen und den vergangenen Zustand des Marktes. Die Market Prediction stellt somit ein analytisches Konzept dar und liegt innerhalb des Abschnitts Analyse & Prepare.

Jedes Unternehmen hat nicht nur seinen eigenen Markt im Blick, sondern möchte diesen auch einmal erweitern. Doch wie geht man dabei am effektivsten vor? Mittels Cognitive-Computing werden hauptsächlich große Datenmengen hocheffizient analysiert. Der Exploration Decision Advisor (IBM, 2014) dient der Analyse von Daten bei der Entscheidungsfindung. Jede Absichtserklärung, seine Ölfelder zu erweitern, beginnt mit der Analyse, ob es sich an dem vorgesehenen Gebiet überhaupt lohnt, nach Ressourcen zu suchen. Der Exploration Decision Advisor wertet geographische Daten, Wetterdaten, Daten über die eigene Technologie und unterstützende Daten, wie zum Beispiel das Vorkommen von Öl an ähnlichen Gebieten, aus und erstellt ein Portfolio mit alternativen Handlungsvorschlägen und empfohlenen Vorgehensweisen. Somit können milliardenschluckende Unternehmungen einfach verhindert werden.

A.6 Risk Management

Die Domain Risk Management reflektiert die Digitalisierung bereits in der Verwaltung vernetzter Geräte. Daraufhin folgen datengetriebene Applikationen und Technologien, welche die Sicherheit des Kommunikationsnetzes gewährleisten und überwachen. Des Weiteren umschließt diese Domain Applikationen und Technologien, die den Betreiber und seine Kunden vor Betrug schützen, weshalb es auch auf die Analyse und anknüpfende Nutzung der Ergebnisse ankommt. Eine grafische Zuordnung der Bausteine dieser Domain findet sich in Abb. 6. Die innerhalb der Technologie- und Anwendungsebene liegenden Bausteine sind dem ­Digitalisierungshauptfeld IoT zugeordnet.

Kommunikationstechnologien

Die Funktechnologien ZigBee und Bluetooth bilden die Grundlage zur Übertragung über kürzere Distanzen und werden für die Kommunikation von untereinander vernetzten Geräten verwendet. Cellular ­Communication Systems und Powerline Communications sind Technologien für die Übertragung auf lange Distanzen. Während Cellular Communication Systems Funkübertragungen ermöglichen, werden Daten mit Powerline Communications über Stromleitungen transportiert. Zusammen mit ZigBee und Bluetooth bilden diese Bausteine die zusammenfassende Gruppe der ­Communication Technologies.

Netzwerke

Home Area Network, Field Area Network, Wide Area Network und Wireless Sensor Networks sind Netzwerktopologien, die sich hauptsächlich in ihrer Größe unterscheiden. Daher werden diese zusammenfassend der Gruppe Network zugeordnet. Durch diese Technologien werden auch hier Daten transportiert, weshalb diese Bausteine zu Tag, Sense & Connect gehören – mit der Ausnahme des Wireless Sensor Networks, das Daten zusätzlich mithilfe von Sensoren aufnimmt und demnach zusätzlich Ingest abdeckt. Beim Network Monitoring handelt es sich um eine Ingest-Applikation, die Daten aus dem SCADA aufnimmt, Zugriffe analysiert und nichtordnungsgemäße im Sinne einer Firewall abwehrt. Bei der Verwaltung von Gerätestandards und deren Protokollen hilft ein Device ­Manager. Bei diesem handelt es sich um eine einfache, der Utilize-Sparte zugeordnete, Anwendungssoftware.

Fraud Detection/Prevention

Fraud Detection und Fraud Prevention sind Methoden, die auf Daten basieren und durch das Auswerten von Verhaltensmustern Betrug feststellen oder gar verhindern können. Das Identifizieren von Betrugsfällen ist mit dem Sammeln und Analysieren von Daten verbunden, was die Einordnung in Ingest sowie ­Analyse & Prepare begründet. Das Verhindern solcher Fälle deckt sowohl die Schritte Analyse & Prepare als auch Utilize ab.

Eine Public Key Infrastructure (PKI) stellt digitale Zertifikate zur sicheren Kommunikation zwischen Geräten aus und verteilt und prüft diese. Aus diesem Grund ist die PKI (wie auch das Network Monitoring) in den letzten drei Schritten der Digitalisierung vertreten. Dafür notwendig ist ein Digital Certificate, welches mit einer Art Ausweis gleichzusetzen ist, mit dem sich Geräte authentifizieren können.

A.7 Cognitive Computing im Risk Management

Cognitive Computing wird für die Erleichterung der Entscheidungsfindung in risikoreichen Fällen herangezogen. Entscheidungsbezogene Fragestellungen können in natürlicher Sprache formuliert werden, auf die das CC-System Antworten per Natural Language Processing (NLP) und Analyse sehr großer Datenmengen ermittelt (IBM, 2014). Beispiel für CC-Anwendungen sind ein Customer Acquisition Guide oder ein ­Capital Projects Equipment Advisor (IBM, 2014). Auch die Datenerfassung und -aufbewahrung von großvolumigen Daten gestaltet sich trivialer. Dies zeigt das Beispiel Woodside für den Einsatz von Watson im CC-Umfeld (jwnenergy, 2016).

A.8 Unterstützende Domains

Der Begriff Immersive 3D Training Environment, der in der unterstützenden Domain Human Resources verortet wird, beschreibt den Einsatz neuartiger Augmented Reality- und Virtual Reality-gestützter Lernmethoden, die Netztechniker und SCADA/EMS-­Operateure in ihrer praktischen Ausbildung einsetzen (Eon Reality, 2017). Durch kostensparende Simulation von Einsatzumgebungen und Szenarien wird das Personal besser auf den Feldeinsatz in der Realität vorbereitet. Es handelt sich hierbei um ein, innerhalb der Business-Ebene liegendes, Nutzungskonzept (Utilize).

Fazit

In diesem dritten Teil der Artikelreihe haben wir eine Referenzarchitektur des digitalisierten Energiesektors erstellt. Die sektorspezifischen Domains gliedern sich in Energy Generation, Energy Delivery & Infrastructure, Customer Interaction, Customer Management, Market & Pricing sowie Risk Management. Zudem existiert eine Reihe unterstützender Domains. Es wurden die in den Architekturen identifizierten Digitalisierungskonzepte, -anwendungen und -schlüsselbegriffe entsprechend ihrer Rolle im Digitalisierungsprozess in das Referenzmodell eingeordnet. Eine saubere Trennung und Einordnung der Begriffe erwies sich insofern als schwierig, als sich manche Begriffe (beispielsweise Smart Meter) in mehr als einer Domain wiederfinden.
Mit den hier vorgestellten Lösungen (Technolo­gien, Anwendungen, Funktionen und Konzepten) ist die Digitalisierung des Energiesektors noch längst nicht abgeschlossen. Allerdings bildet das eingeführte Digitalisierungsmodell einen architekturellen generischen Rahmen, der jederzeit mit neuen Bausteinen befüllt und auch auf andere Industrien angewendet werden kann.

Kontakt

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.

Literatur

Augment News (2015). Augmented Reality in the Energy Sector. Abgerufen am 10.06.2017 von http://www.augment.com/blog/augmented-reality-in-the-energy-sector/.
Eon Reality. (2017). Immersive 3D Training Environment. Abgerufen am 11.06.2017 von https://www.eonreality.com/portfolio-items/immersive-3d-training-environment/?portfolioCats=327
Ericsson (2014). Transforming industries: energy and utilities. Abgerufen am 03.07.2017 von https://www.ericsson.com/assets/local/news/2014/10/gtwp-op-transforming-industries-aw-print.pdf
IBM (2014). Cognitive Computing. Meeting the demand for smarter energy intelligence. Aufgerufen am 17.06.2017 von https://public.dhe.ibm.com/common/ssi/ecm/ch/en/che03005gben/CHE03005GBEN.PDF
IBM (2016). How Cognitive Computing Can Drive Sustainability. Aufgerufen am 18.06.2017 von https://www.ibm.com/blogs/think/2016/05/cognitive-sustainability/
Jwnenergy (2016). Your cognitive future. Aufgerufen am 18.06.2017 von http://www.jwnenergy.com/article/2016/11/your-cognitive-future/
Simmins, J. (September, 2016). Program on Technology Innovation: State of the Art of Wearable Enterprise Augmented Reality Displays. Electric Power Research Institute. Technical Report.
Sultanow, E. (2017). Digitalization from an Architectural Perspective. Working Paper, Capgemini.
ThingWorx (2017) Smart Energy. Abgerufen am 18.06.2017 von https://www.thingworx.com/ecosystem/markets/smart-connected-systems/smart-energy/
VTScada Software. (2017). Augmented Reality and Industrial SCADA Systems. Abgerufen am 10.06.2017 von https://www.trihedral.com/ar.