Eldar Sultanow
Christoph von Tucher
Artur Biedulski
Jan Lesny
Michael Hanser

Zugrundeliegende Standards

The Open Group Architecture Framework (­TOGAF) wird durch ein globales Konsortium entwickelt, dem rund 300 Organisationen angehören. Das Framework basiert auf dem Technical Architecture Framework for Information Management (­TAFIM) und wurde 1995 erstmals von der Open Group in ­einem Forum veröffentlicht. In den Folgejahren entstanden mehrere neue Versionen. Sie ermöglichen das Entwickeln einer einheitlichen Architektur, die die Bedürfnisse der beteiligten Akteure widerspiegeln soll und derzeitige sowie künftige Anforderungen an das ­Unternehmen formuliert. TOGAF unterscheidet vier wesentliche Architekturfelder, die dem Schichtenprinzip der Architekturpyramide entsprechen: Business, Data, Application und Technology. Diese vier Felder bilden auch die Grundlage der in diesem Beitrag entwickelten Referenzarchitektur für den Energiesektor.

Das Smart Grid Architecture Model (SGAM) hat Siemens im Jahr 2012 als offenen Standard vorgestellt, der zur Abbildung von Smart Grids dienen soll. Heute wird dieses Modell als Referenzarchitektur von der CEN-CENELEC-ETSI Smart Grid Coordination Group entwickelt (Smart Grid Coordination Group, 2012). SGAM hat sich als Methode für den Systementwurf von Smart-Grid-Lösungen weltweit etabliert.

IEC 62559 ist ein internationaler Standard, der die Use-Case-Modellierung für Smart Grids und das methodische Entwickeln von Anforderungen an ­Energy-Systeme ermöglicht (IEC 2015). Dieser Standard liefert einen Gesamtüberblick über die Smart-Grid-Domain und die Grundlagen für die Entwicklung von Architekturmodellen.

Entwicklung unseres Referenzmodells

Unter Verwendung des Open Group Architecture Frameworks (TOGAF) gliedert sich eine Referenzarchitektur in folgende Perspektiven: Business Architecture, Data Architecture, Application Architecture und Technology Architecture.

Business Architecture. Diese Sichtweise bildet die Hauptgeschäfts-Domain eines Energieunternehmens ab. Sie gliedert sich in (a) Business Domains, welche wiederum eine Reihe an (b) Subdomains besitzen. Jede Subdomain weist sogenannte (c) Business Capabilities auf, welche entsprechend der Subdomain gruppiert werden und die Art eines Service beschreiben. Die Funktionalitäten der Services werden in Form von Use Cases (IEC, 2015) charakterisiert. Darüber hinaus existiert für jede Business Domain auch ein dazugehöriger (d) Business Process, welcher den ­prozessorientierten Ablauf der jeweiligen Domain beschreibt sowie charakteristische Input- bzw. Output­objekte einzelner Prozessschritte abbildet. Die Business Architecture folgt der obersten Schicht des SGAM Standards, welcher das Smart Grid in Bezug auf regulatorische und wirtschaftliche Strukturen, ­Geschäftsmodelle und ­Geschäftsprozesse betrachtet (vgl. Smart Grid ­Coordination Group, 2012).

Application Architecture. Alle technischen Anwendungen, die für die Ausführung der Business Capabilities notwendig sind, werden in dieser Architektur­perspektive beschrieben.

Technology Architecture. Die dritte Perspektive behandelt schließlich alle technologischen Komponenten, die für das Funktionieren der Anwendungen vonnöten sind. Die Technologieperspektive bildet dabei die ­Basis der IT-Landschaft des Unternehmens ab.
Data Architecture. Die letzte Perspektive bildet einzelne Entitäten und deren Beziehungen zueinander ab. Da diese Arbeit jedoch vorrangig die Identifikation von digitalisierungsspezifischen Konzepten und Technologien zum Ziel hat, wird keine Erstellung einer Daten­architektur vorgenommen.
Abb. 1 gibt einen Überblick über alle Business ­Domains der Referenzarchitektur. Im Folgenden wird jede Business Domain mit ihren Subdomains, den ­dazugehörigen Business Capabilities und der zugrunde­liegenden Application- sowie Technology-Architektur beschrieben.

A.1 Energy Generation

Dem Namen entsprechend beschreibt die Business Domain Energy Generation die Produktion von Elektrizität. In einem traditionellen Elektrizitätsnetzwerk fließt Strom in eine Richtung: ausgehend von zentralen Kraftwerken, über Aufspanntransformatoren durch ein Netz von Transportleitungen, bis der Strom über Umspannwerke in das Verteilungsnetz gelangt. Über radiale Versorgungsnetzwerke gelangt der Strom schließlich zu industriellen bzw. Privatnutzern (U.S. Department of Energy, 2015). Im zukünftigen Smart Grid gilt jedoch zusätzlich die Prämisse des beidseitigen Stromflusses. Das bedeutet, dass auch die Nutzer selbst über lokale Solar- oder Windgeneratoren Energie erzeugen und diese ins regionale Verteilungsnetz einspeisen können. Dadurch ergibt sich die Möglichkeit, einzelne Segmente des Verteilungsnetzes im Falle eines Netzausfalls in den sogenannten Inselbetrieb zu schalten. Dabei können lokale Teile des Stromnetzes isoliert vom Rest des Netzes den Betrieb aufrechterhalten – sie verbrauchen also nur die selbst produzierte Energie (vgl. Lasseter, 2002). Die Nutzung dieser Microgrids, ermöglicht durch moderne Elektro-, Informations- und Kommunikationstechnologien, gilt als grundlegende Veränderung des traditionellen Versorgungsnetzes und spiegelt sich auch in der Business Domain Energy ­Generation wider. Dementsprechend gliedert sich diese in folgende drei Subdomains, die auch in Abb. 2 veranschaulicht werden.

A.1.1 Subdomain: Bulk Generation

Diese Domain befasst sich mit der Produktion großer Strommengen in Kraftwerken. Gemäß ihrer ­Ausgangsvariabilität und Beschaffenheit werden die Kraftwerke dabei in folgende Gruppen unterteilt: (a) nicht-erneuerbare, nicht-variable Quellen wie bspw. Nuklear-, Kohle- oder Gaskraftwerke; (b) erneuerbare, nicht-variable Quellen, wozu Wasser-, Biomasse-, Geothermal- und Pumpspeicherkraftwerke zählen und (c) erneuerbare, variable Quellen wie Wind- und Solarkraftwerke (Fang et al., 2012). Innerhalb der Bulk Generation Domain gilt es, anhand der genannten Kraftwerke bedarfsgerecht sowie kosten- und ressourcenoptimiert Energie herzustellen. Dazu existieren vier Business ­Capabilities:

• • GovernEnergyMix: Entsprechend der geforderten Zusammensetzung des Stroms aus erneuerbarer bzw. nicht-erneuerbarer Energie müssen Bedarfe zunächst errechnet und danach an die jeweiligen Kraftwerke kommuniziert und in Auftrag gegeben werden. Die Verwaltung des Energiemix fällt unter diese Capability.
• OptimizeGeneration: Durch die Echtzeitmessung der aktuellen Bedarfslage und Einbezug noch verfügbarer Speicherkapazitäten in bspw. Pumpspeicherkraftwerken (vgl. Anagnostopoulos & Papantonis, 2008) werden lokale Produktionsoptima errechnet, die in weiterer Folge an die jeweiligen Kraftwerke kommuniziert werden (Fang et al., 2012). In diese Berechnungen fließt auch der eben angesprochene Energiemix ein.
• CoordinateLoad prüft auf Produzentenseite, ob die insgesamt produzierte Menge der nachgefragten entspricht und stellt sicher, dass die Gesamtlast des Netzes konstant gehalten wird. Dazu müssen je nach Situation zusätzliche Kraftwerke zu- bzw. abgeschaltet werden. Die Lastkoordination umschließt auch die Vorhersage der zukünftig erwarteten Netzbelastung anhand von Lastprofilen (vgl. Rubinstein, Neils & Colak, 2001), welche durchschnittliche Belastungskurven unter verschiedenen Voraussetzungen und Einflüssen enthalten.
• ManagePlants ist für die Kommunikation, Steuerung und Überwachung der Kraftwerke verantwortlich. Diese Capability kümmert sich darum, dass die errechneten Bedarfe von den richtigen Kraftwerken produziert werden.

A.1.2 Subdomain: Micro Generation

Im Gegensatz zur globalen Bulk Generation im Macro­grid befasst sich diese Subdomain mit der ­Verwaltung und Überwachung lokaler Microgrids. Die Fachliteratur spricht vielfach auch von sogenannten DER – Distributed Energy Resources (vgl. Kanchev, Colas, Lazarov & Francois, 2011). In der SGAM-­Architektur betrachtet, kann die Micro Generation in der DER Domain verortet werden (vgl. Smart Grid Coordination Group, 2012). Die Subdomain beschreibt einzelne Microgrids, welche auf variable Weise eigene Energie produzieren und diese auch ins verbundene Verteilungsnetz einspeisen. Folglich sind der Endverbraucher und dessen Erzeugungsanlage die Hauptakteure eines solchen Use Case (IEC, 2015). Dazu benötigt es Capabilities, die diesen Umstand in die globale Berechnung und Verwaltung integrieren. Dabei ist zu beachten, dass das Smart Grid, im Gegensatz zum heutigen Verteilungsnetz, nahezu vollständig mit ­Microgrids durchdrungen sein wird (Fang et al., 2012). Aggregiert man diese, kann das außerordentliche Auswirkungen auf den von Großkraftwerken zu produzierenden Strombedarf haben, weshalb eine nahtlose Integration kritisch ist. Das Konzept „Vehicle-to-Grid“ (V2G) (Fang et al., 2012) zählt ebenfalls zur Micro Generation. Unter der Annahme, dass Elektrokraftfahrzeuge die mit fossilem Kraftstoff betriebenen Fortbewegungsmittel abgelöst haben, werden im Smart Grid geparkte Elektrofahrzeuge mit dem Netz verbunden und dienen somit als äußerst wirkungsvoller Puffer zum Ausgleich der Netzbelastung. Zur Integration von Micro-Kraftwerken existieren drei Business Capabilities:

• IntegrateMicrogrids hat die Überwachung der sachgerechten Integration von Microgrids ins lokale Verteilungsnetz zur Aufgabe. Aufgrund der schieren Anzahl an Prosumern (Endnutzer, die gleichzeitig selbst Energie produzieren) ergeben sich vielfältige Microgrid-Lösungen, die zu unterschiedlichen Zeitpunkten variable Strommengen ins Netz einspeisen. Es muss daher sichergestellt werden, dass jedes zu integrierende Microgrid den technischen Anforder­ungen genügt und nicht zu viel Strom in das Netz sendet, um dessen Stabilität nicht zu beeinträchtigen (vgl. Kanchev et al., 2011).
• ManageVirtualPowerPlants: Im Kontrast zur ­Sicherstellung der ordnungsgemäßen Koppelung von Microgrids an das Macrogrid kümmert sich diese Capability um das Aggregieren von ­Microgrids zu virtuellen Kraftwerken (vgl. ­Pudjianto, Ramsay & Strbac, 2007). Dies ermöglicht es Netzbetreibern, Gruppen von Microgrids wie vollwertige Kraftwerke zu betrachten und in die Gesamtverwaltung miteinzubeziehen. In diesem Zusammenhang ist zu beachten, dass einzelne Microgrids aufgrund ihrer Größe für Netzbetreiber entweder nicht sichtbar sind, oder aber die Integration tausender einzelner Microgrids unzumutbar ist (Pudjianto et al., 2007).
• PredictMicrogridLoad: Aufgrund ihrer Größe und der unregelmäßigeren Produktionsleistung ist die Planung und Steuerung des Einflusses von Microgrids auf die Netzlast schwieriger als bei konventionellen Kraftwerken. Jedes ­Microgrid muss deshalb seine zukünftig erwartete Netzbelastung vorhersagen und an den Netzbetreiber kommunizieren, welcher diese Informationen aggregiert und in die Steuerung des Macrogrid einfließen lässt (vgl. Amjady, Keynia & ­Zareipour, 2010).

A.1.3 Subdomain: Asset Management

Schließlich muss jedes Kraftwerk über seinen gesamten Lebenszyklus verwaltet werden. Dies schließt unter anderem Planung, Konstruktion, Wartung und Bewertung von Anlagen mit ein. Das Asset Management befindet sich ebenfalls in der Generation ­Domain der SGAM-Architektur und erstreckt sich dabei über alle Interoperabilitätsschichten (vgl. Smart Grid Coordination Group, 2012)

• ManageAssetLifecycle: Stellt die Verwaltung jedes einzelnen Kraftwerks über dessen gesamten Lebenszyklus sicher.

Abb. 2 zeigt zudem die jeweiligen Applikationen, mit deren Hilfe die Business Capabilities realisiert werden. Ein Plant ­Manager vereint Informationen zu jedem Kraftwerk in Bezug auf dessen Stammdaten (Name, Lage, Art, Kapazität), historische Betriebsdaten und Auslastung sowie Wartungsstand. Der Microgrid Integrator ist ein Stück Software, welches lokale Micogrids im Verteilungsnetz identifiziert und sie ihrer geografischen Lage und Kapazitäten entsprechend zu regelbaren virtuellen Kraftwerken bündelt (Pudjianto et al., 2007). In Zusammenarbeit mit dem Micro­grid Integrator erhält die Load Prediction Engine detailreiche Produktions- und Verbrauchsdaten der einzelnen Microgrids, um zukünftige Entwicklungen der Netzbelastung vorherzusagen (vgl. Amjady et al., 2010). Das Herzstück der Hauptenergieproduktion (Bose, 2010) ist ein Automated Generation Controller, der direkt mit den jeweiligen Kraftwerken und Bedarfsanalysetools kommuniziert und vermittelt. Ein Load Manager steht zusätzlich mit den Kraftwerken in Verbindung und sendet in Abhängigkeit der derzeitigen Last Anweisungen zum kurzfristigen Zu- bzw. ­Abschalten von Kraftwerken.

Wie aus Abb. 3 ersichtlich wird, bildet das Supervisory Control and Data Acquisition (SCADA) System und das Energy Management System (EMS) den Kern der IT-Architektur innerhalb der Energy Generation Domain. Das EMS stellt nicht nur ­Informationen über historische und derzeitige Strombedarfe zu Verfügung, sondern misst auch verfügbare Produktionskapazitäten von Kraftwerken. Das SCADA wiederum ist für die Überwachung und Visualisierung des aktuellen Systemzustands zuständig (vgl. Bose, 2010 und Feeney, 2016). Dies ermöglicht den Netzbetreibern, die entsprechenden Maßnahmen zu treffen.

SCADA Systeme waren zunächst proprietär und auf lokale Geräte beschränkt. Heutzutage wird die Elektronik in Kraftwerken und im Verbundnetz über TCP/IP-Verbindungen ferngesteuert. Hierbei greifen Remote Terminal Units (RTU) auf Programmable Logic Controller (PLC) zu, welche die Elektronik/Sensoren lesen oder schreiben können. Der Schritt zu TCP/IP ermöglicht die Konfiguration eines ­offeneren Hard- und Softwaresystems und somit Kostenersparnisse durch eigene Lösungen. Aufgrund ähnlicher Funktionalität wird weiterhin von SCADA Systemen gesprochen (Bhattacharjee, 2014, Abs. 13).

Das EMS ist zentrales Standbein für die Applikationen Microgrid Integrator und Load Prediction Engine. Das SCADA System sorgt mit dem Zusammenführen von Spannungs- und ­Phasenmessungen im Netz für die notwendige Infrastruktur der Anwendung des Load Managers sowie für die Generation Control Engine. In diesem Zusammenhang ist es wichtig, entsprechende Integrationsprofile zu den jeweiligen Use Cases zu definieren, um ein gemeinsames Verständnis für technische Implementierungen zu schaffen (IEC, 2015). Schließlich ermöglicht ein Asset Management System die Anwendung des Plant Managers (vgl. Siemens, 2013).
Tab. 1 fasst alle in dieser Domain identifizierten ­Begriffe, Konzepte und Technologien zusammen, die spezifisch für die digitalisierte Energiebranche gelten.

A.2 Energy Delivery & Infrastructure

Die Domain Energy Delivery & Infrastructure ­bildet das Bindeglied zwischen den Energieerzeugern und dem Energieverbraucher. In ihr konzentrieren sich Aufgaben, welche den Betrieb und die Wartung des Netzes betreffen, um schlussendlich Energie zum Kunden befördern zu können. Des Weiteren ist auch der ­Ausbau des Netzes ein fester Bestandteil dieser Domain. Hierbei soll das Netz der Zukunft gleichzeitig Ressourceneffizienz und Stabilität verbessern und neue Anforderungen durch den erhöhten Koordinationsaufwand von vermehrten Energieerzeugern bewältigen (Bundesnetzagentur, 2017, Abs. 1).

A.2.1 Subdomain: Operation

Eine gleichmäßige Auslastung des Verbundnetzes und der Energieerzeuger ermöglicht einen stabilen und effizienteren Betrieb, wodurch auch der Verschleiß mini­miert wird. Ein Smart Grid, welches diese Anforderungen erfüllt, zeichnet sich durch folgende, zum Teil automatisierte Capabilities, aus:

• AggregateData: Da durch Sensoren und Zeigermessgeräte (Phasor Measurement Units – kurz PMU) gesammelte Daten innerhalb des Netzes von einer Vielzahl von Systemen zur weiteren Analyse benötigt werden, müssen diese an einer zentralen Stelle gesammelt werden.
• MonitorGrid: Die elektronischen Bauteile im Netz können trotz Optimierungen nicht komplett vor dem Verschleiß bewahrt werden. Die aggregierten Daten ermöglichen eine unabdingbare, umfangreiche Echtzeitüberwachung des Netzzustandes. Sofern dabei Schwellwerte unterschritten werden, muss ein Maintenance Event erstellt werden. Diese Echtzeitüberwachung aus größerer Distanz zum überwachten Objekt wird in der Literatur auch Remote ­Maintenance genannt.
• ControlGrid: Parallel zur Überwachung muss das Netz ständig gesteuert werden, denn das Zu- und Abschalten von zusätzlichen Erzeugern verändert den Stromfluss. Parameter wie Spannung und ­Frequenz müssen stabil gehalten werden.
• ManageOutage: Bei einem Ausfall wird durch MonitorGrid bereits das Maintenance Event erstellt. Allerdings müssen selbstheilende Netzwerke dazu in der Lage sein, sich zwischenzeitlich rekonfigurieren zu können, um somit die ausgefallene Einheit zu isolieren und die größtmögliche Anzahl an Verbrauchern zu versorgen. Hierbei wird auch von ­Self-healing Grid gesprochen (EATON, 2017, Abs. 1)
• StoreMeterData: Dieser Service beschreibt das Speichern von Energiezähler-Daten von privaten Haushalten sowie der Industrie.
• ReportLoad: Dieser Service erstellt einen Report über die Last im Netz.
• PredictDemand: Dieser Service sagt die Nachfrage auf Grundlage der Verbrauchshistorie aller Kunden voraus, um so Aussagen für den Einkauf treffen zu können.

A.2.2 Subdomain: Upgrade & Maintenance

Diese Subdomain fasst jegliche geplanten Installations- und Wartungsarbeiten zusammen. Hierbei setzt die Planung der Wartung auf einer durch Analyse vorausbestimmten erwarteten Lebenszeit eines Verschleißteils auf. Dies steht im engen Zusammenhang zur Predictive Maintenance, wobei die Wahl des optimalen Wartungszeitpunktes einen bevorstehenden Ausfall verhindert. In der Literatur wird dann auch von Outage Prevention gesprochen. Hierzu werden zusätzlich Temperatur- oder Vibrationssensoren an Geräten verbaut, um Abweichungen besser festzustellen (Ibrahim Evsan, 2016, Abs. 3). Zusätzlich ist die Analyse des vom Sensor gemeldeten Zustands (Condition-based Maintenance) wichtig, da sich Ausfälle auch zufällig ereignen können (Gopalkrishna, 2013, S.21). Unter Installationsarbeiten fällt bspw. das Verbauen von neuartiger Smart-Metering-Technologie im existierenden Netz.

• ManageEvents: Verwaltet geplante Termine für Wartungs- und Installationsarbeiten.
• OptimizeEvents: Optimiert und bündelt Termine, um die ­Ausfallzeit gering zu halten.
• PartsAvailability: Prüft die Verfügbarkeit von Ersatzteilen.
• ForcastPartDurability: Sagt die Haltbarkeit von Verschleißteilen auf der Grundlage von historischen Daten und Meldungen von Sensoren voraus.

A.2.3 Subdomain: Expansion

Durch den Ausbau des Netzes können die in der Subdomain Operation genannten Capabilities in einem größeren Rahmen genutzt werden. Der Ausbau wird von der Bundesnetzagentur reguliert.

• CreateGridExpansionPlan: Auf Grundlage des von der Bundesnetzagentur erstellten Szenariorahmens, der ein politisch-regulatives Framework darstellt (vgl. Smart Grid Coordination Group, 2012), muss ein Plan für die Entwicklung des Netzes erstellt werden, welcher bereits als Entwurf der Öffentlichkeit vorgestellt und kollaborativ weiterentwickelt werden muss.
• SimulatePlan: Dieser Service simuliert den Entwurf mittels historischer Verbrauchsdaten und prüft seine Umsetzbarkeit sowie einen rechnerischen Vorteil gegenüber anderen Entwürfen.

A.2.4 Energy Delivery & Infrastructure: Application Architecture

Abb. 4 zeigt die Application Architecture. Der Grid Manager (bspw. SIMATIC WinCC (Siemens, 2017)) aggregiert aus dem Netz empfangene Daten im Sinne eines Data Aggregator/Concentrator, überwacht und steuert es, sodass eine gleichmäßige Auslastung von Spannung und Frequenz erreicht wird. Bei einem Ausfall von Teilen im Netz findet der Outage Manager (bspw. Milsoft DisSPatch (Milsoft, 2017)) eine ­Lösung, um den Fehler zu überbrücken.

Durch den Meter Data Manager (bspw. Oracle Utilities Meter Data Management (Oracle, 2017)) werden die Daten gespeichert und die Last in einem bestimmten Intervall für eine Region gemessen, wodurch entschieden werden kann, wie sich die Last insgesamt verteilen lässt. Außerdem wird durch den Demand Forecaster (bspw. Oracle Utilities Meter Data Analytics (Oracle, 2017)) die zukünftige Nachfrage vorhergesagt, wodurch entschieden werden kann, ob adhoc Energie von weiteren Erzeugern eingespeist werden muss.

Der Event Manager (bspw. SAP Maintenance ­Planner (SAP, 2017)) verwaltet und optimiert geplante Termine, so dass die Häufigkeit und Dauer von Ausfällen minimiert werden kann, wohingegen ein Parts Manager Informationen über Verfügbarkeit und Haltbarkeit von Ersatzteilen verwaltet (bspw. Siemens SSPS (­Mayer, 2016)).

Grid Expansion Planer stellt eine Software zur Netzplanung dar (bspw. Siemens SINCAL (Siemens, 2017)). Auf Grundlage des Szenariorahmens der Bundesnetzagentur und des existierenden Netzes wird eine Netzerweiterung erstellt und simuliert. Der Szenario­rahmen umfasst errechnete Standardlastprofile mit Energiemengen, Budget-Informationen sowie Prognosen über zukünftige Erzeugungsanlagen und ihre Verteilung. (Bundesnetzagentur, 2017, Abs 4). Zukünftig ist mit einer automatisierten Netzplanung zu rechnen (Stromnetze, 2017).

A.2.5 Energy Delivery & Infrastructure: Technology Architecture

Abbildung 5 zeigt die Technology Infrastructure der Energy Delivery & Infrastructure Domain.
Der Grid Manager sowie der Outage Manager bauen, wie auch die Tools in der Energy Generation Domain, auf einem SCADA System auf. Bei einem Ausfall kann so bspw. der Energiefluss über Switches umgelenkt werden, um den Fehler zu überbrücken. Der Meter Data Manager, welcher über Automated Meter Management Funktionen verfügt, und der Demand Forecaster bilden mit der Advanced Metering Infrastructure (AMI) ein Meter Data Management System (MDMS). Dieses Kommunikations-Netzwerk besteht hauptsächlich aus Smart Metern und Smart Gateways, die die Informationen zu den oben genannten Applikationen des Betreibers übertragen. Eine Schlüsselanforderung für das Meter Data Management System ist dabei die Sicherstellung der Interoperabilität zwischen den technischen (syntaktischen), informationsorientierten (semantischen) und organisationalen (pragmatischen) Ebenen (vgl. Smart Grid Coordination Group, 2012).
In der Praxis findet man zudem dedizierte Outage Management Systeme (OMS), welche aber Überschneidungen in der Funktionalität zu moderneren SCADA Systemen haben. Gleiches gilt für Demand Management Systeme (DMS), welche durch MDM ­ersetzt werden. Für Letztere wächst der Markt laut GTM Research um 500 Prozent.
Tab. 2 gibt einen Überblick über alle identifizierten Schlüssel­begriffe dieser Domain.

A.3 Customer Interaction

Die Domain Customer Interaction ist klar kunden­orientiert und umfasst sowohl klassische Aufgaben des Marketings als auch das Beschwerdemanagement. Wie Abb. 6 zeigt, ist diese dazu in drei Subdomains gegliedert. Aufgrund der Tatsache, dass die Domain nur wenige für die Energiebranche spezifische Charakteristika aufweist, werden ihre Komponenten im Folgenden nur kurz umrissen.

A.3.1 Subdomain: Lead Generation

Business Objective dieser Subdomain ist die Identifikation potenzieller Kunden sowie deren Aufnahme in den Kunden­bestand. Dies geschieht anhand von zwei Business Capabilities: ­IdentifyLead, die Auswahl potenzieller Kunden bzw. -gruppen und ­AcquireLead, die Aufnahme in Bestand und Kategorisierung des Kunden.

A.3.2 Subdomain: Customer Engagement

Zur Maximierung der Kundenzufriedenheit und um den Kunden längerfristig an das Unternehmen zu binden, werden auf Basis des Kundenverhaltens gezielte Maßnahmen ergriffen. Eine Besonderheit der Energiebranche der Zukunft ist dabei der Einbezug konkreter Verbrauchsdaten und Nutzerpräferenzen. Die Verbrauchsdaten werden anhand von Smart Meters erhoben. Diese stellen Messstationen dar, die mit allen Geräten eines Nutzers verbunden sind und deren Energieverbrauch in zumindest stündlichen Intervallen an den Netzbetreiber senden (Fang et al., 2012). Gleichzeitig können Smart Meter auch Informationen vom Betreiber über Belastungszeiten und Strompreise erhalten und anhand dieser ­Daten die verbundenen Geräte im Haushalt steuern. Smart Meters sind durch die Nutzung sogenannter Smart Meter Gateways mit Wide Area Networks (WAN) verbunden, über welche die Daten an den Betreiber gesendet werden können (Müller, 2011). Aufgrund ihrer Funktion als zentrale Schnittstelle auf Kundenseite ist die Erstellung technischer Integrationsprofile (IEC, 2015) hier kritisch.

• EstablishEngagementPlan: Generierung eines verkaufs- und supportbezogenen Maßnahmenplans für jeden Kunden.
• PerformEngagement: Durchführung einer Maßnahme (­Kontaktaufnahme) im Rahmen des Maßnahmenplans.
• MonitorCustomerBehavior: Überwachung und Dokumentation der ­Nutzerreaktion auf Maßnahmen sowie die Verwaltung von Kundenpräferenzen.
• AnalyzeConsumption: Untersuchung von Nutzerverbrauchsdaten, die über Smart Meters übermittelt werden. Auf Basis dieser Analyse und des bisherigen Nutzerverhaltens wird der Maßnahmenplan abgeleitet/angepasst.

A.3.3 Subdomain: Customer Service

Inhalt dieser Subdomain ist schließlich der Support und das Beschwerdemanagement. Dabei wird jede kundenseitige Anfrage als Request registriert, danach entsprechend klassifiziert und an die jeweilige Abteilung zur Lösung weitergeleitet.

• HandleCustomerRequest ist für die Registrierung, Klassifizierung und Weiterleitung und Lösung der jeweiligen Kundenanfrage/Beschwerde verantwortlich.
• EvaluateCustomerRequest: nach Bearbeitungsabschluss jeder Anfrage wird diese zur internen Identifikation von Defiziten bzw. Optimierungpotenzialen untersucht.

Abb. 6 zeigt die zur Ausführung der Business ­Capabilities erforderlichen Anwendungen. Diese gliedern sich in einen Lead Manager, einen Engagement Manager (vgl. Salesforce, 2016), der Maßnahmen bezüglich des Kontakts zum Kunden erlaubt sowie den Consumption Manager, welcher Verbrauchsdaten auf Muster untersucht und zur Ableitung von Maßnahmen aufbereitet (vgl. Flath et al., 2012). Zuletzt kümmert sich ein Complaint Manager um die Abwicklung von Kundenanfragen.

Ein umfangreiches Customer Relationship Management System (vgl. Salesforce, 2016) stellt die Infrastruktur zur Umsetzung aller marketingbezogenen Anwendungen zur Verfügung. Zur Analyse und Aufbereitung von Verbrauchsdaten wird auch hier das Meter Data Management System (MDMS) eingesetzt. ­Tabelle 3 beschreibt alle in dieser Domain diskutierten Schlüsselbegriffe.

A.4 Customer Management

Customer Management kümmert sich um die administrative Verwaltung und Fakturierung an einzelne Kunden. Wie Abb. 8 zeigt existiert dazu neben einer generischen Subdomain für das Account Management auch die für den Energiesektor spezifische Subdomain Demand Profiling.

A.4.1 Subdomain: Account Management

Neben der Verwaltung von Kundenstammdaten hat diese Subdomain die sachgerechte Abrechnung von Verbrauchsdaten zur Aufgabe. CustomerBilling ­beinhaltet die Abrechnung der nach dem jeweiligen ­Tarif verbrauchten Strommenge eines Kunden bzw. die ­Gutschrift der produzierten Menge bei Prosumern.

A.4.2 Subdomain: Demand Profiling

Zusätzlich zur Verrechnung von Verbrauchsmengen wird im Rahmen der vorausschauenden Planung von Bedarfen und Kapazitäten für jeden Kunden ein Nachfrageprofil erstellt. Dieses besteht aus einer kunden­spezifischen Nutzenfunktion, die aus Verbrauchsmustern der ­verwendeten Geräte errechnet wird.

• CalculateUtilityFunction: Errechnung der Nutzenfunktion eines Kunden auf Basis von Energieverbrauch (vgl. Samadi et al., 2010 und Li et al., 2011) und persönlichen Präferenzen. Letztere umfassen unter anderem den Kundentyp (privater Haushalt, Geschäftskunde), Preissensibilität und Hauptnutzungszeiten.

Eine Billing Engine, die Teil des Account Management Systems (vgl. Software Systems, Inc., 2017) ist, befasst sich mit der Verrechnung von Verbrauchsdaten, während die Demand Profiling Engine für die Erstellung und Aktualisierung von Verbrauchsprofilen bzw. deren zugrundeliegenden Verbrauchsmustern und Nutzenfunktionen zuständig ist. Abb. 9 zeigt die Technology Architecture der Domain. Die Demand Profiling Engine ist dem Consumption Manager der Subdomain Customer Interaction sehr ähnlich und nutzt dazu sowohl das Meter Data Management System als auch Customer Relationship Management System, um die Zuordnung von Profilen vornehmen zu können. Tab. 4 fasst schließlich alle identifizierten Schlüsselbegriffe der Domain zusammen.

A.5 Market & Pricing

Angesichts der Tatsache, dass der globale Energiemarkt großen Dynamiken unterliegt, werden in der Domain Market & Pricing mithilfe umfassender Marktanalysen und Trading-Tools Energiepreise errechnet und an Kunden kommuniziert. Eine Besonderheit stellt zudem das Demand Response Management dar, welches in erster Linie für die Reduzierung von Belastungsspitzen verantwortlich ist (Quian, Zhang, Huang & Wu, 2013). In einem typischen Use Case werden dazu in Abhängigkeit der Auslastung variierende Preise an Kunden bzw. deren Geräte kommuniziert, um ökonomische Anreize zur Nutzung von weniger ausgelasteten Zeitfenstern zu schaffen (IEC, 2015). Somit ist der Strompreis kein fixer Tarif, sondern unterliegt Schwankungen, die nicht nur von Angebot und Nachfrage, sondern auch von der Netzaus­lastung abhängig sind (Faruqui & Sergici, 2010). Daraus ergibt sich das Konzept des Dynamic Pricing – für jeden Zeitpunkt und geographischen Raum existiert ein Preis pro Verbrauchseinheit, der sowohl die Netzauslastung konstant halten als auch den Nutzen für Nutzer und Anbieter maximieren soll. Abb. 10 zeigt alle Subdomains und Business Capabilities dieser Domain, welche im Folgenden näher beschrieben werden.

A.5.1 Subdomain: Market Analysis & Prediction

Der Zusammenschluss und die Synchronisation von Versorgungsnetzen wie bspw. in Europa (vgl. Zachmann, 2008) hat einen länderübergreifenden Handel mit Elektrizität zur Folge, was wiederum Einfluss auf regionale Strompreise hat. Laufende Marktanalysen und -vorhersagen stellen sicher, dass der Netzbetreiber auf Angebots- und Nachfrageänderungen angemessen reagieren kann.

• PerformMarketAnaylsis: Sammeln von Marktinformationen sowie Durchführen von Analysen aktueller Angebots- und Nachfrageentwicklungen.
• PerformMarketPrediction: Vorhersage von Marktentwicklungen und Strompreisen (vgl. Conejo, Contreras, Espional & Plazas, 2005) mithilfe stochastischer Vorhersagemethoden.
• OptimizePredictionMethod: Laufende Verbesserung von Marktvorhersagemethoden durch u.a. Ansätze maschinellen Lernens (vgl. Conjeo et al., 2005).

A.5.2 Subdomain: Pricing

Mithilfe zugrundeliegender Markt- und Auslastungsanalysen werden dynamische Preise errechnet, die in Folge an Smart ­Meter und Geräte des Kunden weitergeleitet werden.

• CalculatePrices: Kalkulation von dynamischen Preisen.

A.5.3 Subdomain: Demand Response Management

Wie oben angesprochen ist das Demand Response Management besonders wichtig, da es maßgeblich für die Sicherstellung der Netzstabilität verantwortlich ist (vgl. Zhou, Zhao & Wang, 2011 oder Saele & ­Grande, 2011). Um die Nachfrage beeinflussen zu können, muss zunächst die Auslastung von Übertragungs- und Verteilungsnetzen gemessen werden, bevor Preisänderungen berechnet werden können. Die aktualisierten Preise werden danach an die Nutzer und deren Geräte gesendet.

• CalculateDemandPeaks: ist für die Errechnung von Belastungsspitzen sowie für das Aggregieren zu regionsspezifischen Modellen zuständig. Dies geschieht unter Zuhilfenahme der in der Domain Energy Generation verwalteten Lastprofile (vgl. 4.1.1)
• TransmitToMeters: Kommunikation der Preisänderungen an Smart Meter und Nutzergeräte.

A.5.4 Subdomain: Trade

Der länderübergreifende Handel mit Energie ist nicht nur wesentlich für die Setzung von Strompreisen verantwortlich, sondern ist besonders angesichts der immer strikter werdenden Auflagen zum Energiemix von Bedeutung. Viele zentraleuropäische Länder importieren bspw. erneuerbare Energie aus skandinavischen Ländern, welche aufgrund ihrer geografischen Lage und den entsprechenden Wetterbedingungen günstigere Windenergie produzieren können (Izadian, Girrens & Khayyer, 2013). Um derartige Handelsaktivitäten bei Bedarf reibungslos durchführen zu können, bedarf es daher einer entsprechenden Business Capability.

• ManageTrade: Verwaltung und Steuerung länderübergreifender Handelsaktivitäten.

Als technischer Akteur kommt für die Marktanalyse und Vorhersage eine Market Monitoring Engine (vgl. Intstream Oy, 2017) zum Einsatz. Dieser wird zusammen mit dem Trade Manager von einem zugrundeliegenden Trade & Portfolio Management System (vgl. Teive et al., 2010) zur Verfügung gestellt. Wie Abb. 11 zeigt, ist das EMS für die Preiskalkulation anhand der gleichnamigen Anwendung zuständig. Alle Schlüsselbegriffe dieser Domain sind in Tab. 5 zusammengefasst.

A.6 Risk Management

Auch in der Energiebranche wird im Zuge der Digitalisierung und Deregulierung der Märkte das verstärkte Risikomanagement wichtiger. Der flächendeckende Einsatz von Sensornetzwerken und Smart Meters sowie die dahinterliegende IT-Infrastruktur erfordern den Einsatz ausgeklügelter Sicherheitsmechanismen, um Datenintegrität und -authentizität sicherzustellen (vgl. Smart Grid Coordination Group, 2012). Hierfür spielt wiederum die Definition technischer Use Cases eine signifikante Rolle (vgl. IEC, 2015). Darüber hinaus stellt auch die Volatilität deregulierter Energiemärkte ein nicht unerhebliches Risiko für Energiebetreiber dar. Schlussendlich unterliegen Unternehmen der Einhaltung rechtlicher Rahmenbedingungen, welche sich insbesondere im Zuge der Weiterentwicklung des Elektrizitätsnetzwerks verändern werden. Zur Minimierung dieser Risiken existieren drei in Abb. 12 gezeigte Subdomains.

A.6.1 Subdomain: ICT Security

Da es sich beim Energieversorgungsnetz um eine kritische Infrastruktur handelt, von deren Stabilität andere Infrastrukturen wie Wasserversorgungs- oder Telekommunikationsnetzwerke abhängen (Eusgeld et al., 2011), ist die Schaffung einer umfassenden ICT-Sicherheitsarchitektur von entscheidender Bedeutung. Um deren Effektivität sicherzustellen, muss sich eine solche Architektur über alle Schichten, Domains und Interoperabilitätsstufen einschließlich der Business Perspektive erstrecken (vgl. Smart Grid Coordination Group, 2012). Dazu kommen Public-Key-Infrastrukturkomponenten (PKI) zum Einsatz, welche Nutzer­identitäten mithilfe von digitalen Zertifikaten an öffentliche Schlüssel binden (vgl. Metke & Ekl, 2010). Geräte und Nutzer können sich anhand dieser Zertifikate authentifizieren und verschlüsselte Verbindungen aufbauen.

• ManageDevices: Verwaltung der im Smart Grid verwendeten Geräte wie bspw. Smart Meters und Sensoren in Verteilungsnetzwerken und Umspannwerken.
• MonitorNetworks hat die Überwachung und Sicherstellung der Konnektivität von Übertragungsnetzwerken zur Aufgabe. Diese gliedern sich in (a) Home Area Networks (HAN), welche die Geräte innerhalb eines Privathaushalts verbinden; (b) Field Area Networks (FAN), die auf regionaler Ebene zur Übertragung von Messdaten aus bspw. Umspannwerken verantwortlich sind und (c) Wide Area Networks (WAN), welche die Datenübermittlung über große Distanzen zum Netzbetreiber sicherstellen. Solche Netzwerke werden im Smart Grid durch den Einsatz von Mobilfunktechnologien wie GSM-, 3G- oder 4G-Netzen umgesetzt (Fang et al, 2012). Neben drahtloser Kommunikation besteht außerdem die Möglichkeit zur Nutzung der existierenden Stromleitungs-Kommunikationsinfrastruktur. Zudem befinden sich auf unterster Mess­ebene sogenannte Wireless Sensor Networks (WSN), welche die Verbindung einzelner Sensoren und die Übertragung von Messdaten zu Datenaggregatoren übernommen haben (Fang et al., 2012). Zwei Technologien zur Implementierung solcher Netzwerke sind Bluetooth und ZigBee.

A.6.2 Subdomain: Fraud

Um die Manipulation von Verbrauchsdaten durch unbefugte Personen zu verhindern, bedarf es besserer Betrugserkennungs- und -präventionsmaßnahmen, insbesondere innerhalb der Advanced Metering Infrastructure (AMI) (vgl. Jiang et al., 2014).

• DetectFraud: Identifikation der Manipulation von Verbrauchsdaten mithilfe von Mustererkennung auf Basis neuronaler Netze (vgl. Ford, Siraj & Eberle, 2014).
• PreventFraud: Kontinuierliche Verbesserung der Betrugserkennung und Sicherheitsinfrastruktur durch Analyse und Aufnahme von Betrugsfällen in bestehende Muster.

A.6.3 Subdomain: Legal Compliance

In Anbetracht der Tatsache, dass sich Smart-Grid-Technologien und Konzepte vielfach noch in der Entwicklung befinden und die digitalisierte Energiebranche dementsprechend einen noch sehr niedrigen Reifegrad aufweist, ist es sehr wahrscheinlich, dass sich auch rechtliche Rahmenbindungen stark ändern werden. Daher ist es Aufgabe der Subdomain Legal Compliance diese Bedingungen zu kontrollieren und sicherzustellen, dass diese im Unternehmen berücksichtigt werden. So hätte bspw. das Beibehalten der derzeit strikten Datenschutzvorgaben große Auswirkungen auf die Nutzung von Smart Meters und die Analyse des Verbrauchsverhaltens und würde damit die Entwicklung anderer technologischer Lösungen wie bspw. ein Privatsphäre schützendes Smart Metering (vgl. Rial & Danezis, 2011) notwendig machen

• ManagePolicies ist für die Umsetzung und Überwachung der Einhaltung von internen Vereinbarungen verantwortlich.
• MonitorRegulatoryRequirements: dient der ­Beobachtung und Einschätzung rechtlicher ­Entwicklungen, die Einfluss auf den Betrieb des Unternehmens haben könnten.

Abb. 13 zeigt, dass das SCADA System die notwendige Infrastruktur für die Anwendungen des Device Managers (vgl. Bosch, 2017) und eines Network Monitoring Managers bildet.

Daneben stützt es ebenfalls die Fraud Detection Engine. Für die Subdomain „Legal Compliance“ stellt ein Risk Management System den Compliance Manager zur Verfügung (vgl. CURA Software Solutions, 2016). Zusammenfassende Schlüsselbegriffe werden in Tab. 6 beschrieben.

A.7 Supporting Domains

Zusätzlich zu den eben beschriebenen Domains existieren eine Reihe unterstützender Unternehmensbereiche, die für den Betrieb eines Energieunternehmens zwar kritisch, jedoch nicht spezifisch genug sind, um im Rahmen dieser Arbeit näher ausgeführt zu werden. Zu den unterstützenden Domains zählen Human ­Resources, Finance, IT Support, Accounting sowie Product & Innovation.

Ausblick

Während wir in diesem Beitrag die Domain-Modellierung vorgenommen haben, erstellen wir im nächsten Teil die Referenzmodelle für die Digitalisierung des Energiesektors unter Einbezug der drei für die Digitalisierung relevanten Bereiche Internet of Things (IoT), Augmented Reality (AR) und Cognitive Computing (CC).

LITERATUR SIEHE UNTEN!

Kontakt

Dr. Eldar Sultanow
eldar.sultanow (ät) apgemini.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

Amjady, N., Keynia, F., & Zareipour, H. (2010). Short-term load forecast of microgrids by a new bilevel prediction strategy. IEEE Transactions on smart grid, 1(3), 286-294.
Anagnostopoulos, J. S., & Papantonis, D. E. (2008). Simulation and size optimization of a pumped–storage power plant for the recovery of wind-farms rejected energy. Renewable Energy, 33(7), 1685-1694.
Bhattacharjee, A. B. (2014, 17. Juni). PLC and SCADA – Tools of Automation [Blogeintrag]. Abgerufen von https://blog.udemy.com/plc-scada/
Bosch. (2017, 19. Januar). ConnectedEnergy Solutions. Abgerufen von https://www.bosch-si.com/de/loesungen/energiemanagement/bosch-energy/connected-energy-solutions.html
Bose, A. (2010). Smart transmission grid applications and their supporting infrastructure. IEEE Transactions on Smart Grid, 1(1), 11-19.
Bundesnetzagentur. (2017, 22. Januar). Stromnetze der Zukunft. Abgerufen von http://www.bmwi.de/DE/Themen/Energie/Netze-und-Netzausbau/stromnetze-der-zukunft,did=354044.html
Conejo, A. J., Contreras, J., Espinola, R., & Plazas, M. A. (2005). Forecasting electricity prices for a day-ahead pool-based electric energy market. International Journal of Forecasting, 21(3), 435-462.
CURA Software Solutions. (2016, 19. Januar). Utilities & Energy – Enterprise Risk Management System. Abgerufen von http://www.curasoftware.com/utilities-energy/
EATON. (2017, 22. Januar). Self-Healing Grid. Abgerufen von http://www.cooperindustries.com/content/public/en/power_systems/solutions/self-healing.html
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.
Feeney, J. (2016, 14. September). SCADA vs. EMS: 7 Essential Differences [Blogeintrag]. Abgerufen von http://www.dexmatech.com/7-differences-ems-and-scada/
Flath, D. W. I. C., Nicolay, D. W. I. D., Conte, T., van Dinther, P. D. C., & Filipova-Neumann, L. (2012). Cluster analysis of smart metering data. Business & Information Systems Engineering, 4(1), 31-39.
Ford, V., Siraj, A., & Eberle, W. (2014, Dezember). Smart grid energy fraud detection using artificial neural networks. In 2014 IEEE Symposium on Computational Intelligence Applications in Smart Grid (CIASG) (pp. 1-6). IEEE.
Gopalakrishna, G. K. (1998). Condition-based maintenance using sensor arrays and telematics. International Journal of Mobile Network Communications & Telematics, 3(3), 19-28.
Ibrahim Evsan, I. E. (2016, 21. Juli). Predictive Maintenance: Ein Kernstück der Industrie 4.0.. Abgerufen von https://bigdatablog.de/2016/07/21/predictive-maintenance-ein-kernstueck-der-industrie-4-0
IEC 62559. (2015, April). Use Case Methodology – Part 2: Definition of the templates for use cases, actor list and requirements list. IEC TC8 Standard.
Instream Oy. (2017, 19. Januar). E2 Market – Energy Market Monitoring & Data Analysis. Abgerufen von http://www.intstream.fi/en/products/electricity-market-analysis-software/description/
Izadian, A., Girrens, N., & Khayyer, P. (2013). Renewable energy policies: A brief review of the latest US and EU policies. IEEE Industrial Electronics Magazine, 7(3), 21-34.
Jiang, R., Lu, R., Wang, Y., Luo, J., Shen, C., & Shen, X. S. (2014). Energy-theft detection issues for advanced metering infrastructure in smart grid. Tsinghua Science and Technology, 19(2), 105-120.
Kanchev, H., Lu, D., Colas, F., Lazarov, V., & Francois, B. (2011). Energy management and operational planning of a microgrid with a PV-based active generator for smart grid applications. IEEE transactions on industrial electronics, 58(10), 4583-4592.
Lasseter, R. H. (2002). Microgrids. In Power Engineering Society Winter Meeting, 2002. IEEE (Vol. 1, pp. 305-308). IEEE.
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.
Li, N., Chen, L., & Low, S. H. (2011, July). Optimal demand response based on utility maximization in power networks. In Power and Energy Society General Meeting, 2011 IEEE (pp. 1-8). IEEE.
Mayer, H. M. (2016, 16. Dezember). Getting strategic about substation spare parts [Blogeintrag]. Abgerufen von https://blogs.siemens.com/en/smart-grid-watch.entry.html/1951-getting-strategic-about-substation-spare-parts.html
Metke, A. R., & Ekl, R. L. (2010). Security technology for smart grid networks. IEEE Transactions on Smart Grid, 1(1), 99-107.
Milsoft. (2017, 22. Januar). Milsoft Outage Management System (OMS) – DisSPatch®. Abgerufen von https://www.milsoft.com/utility-solutions/upgrades/milsoft-outage-management-system-oms-disspatch%C2%AE
Müller, K. J. (2011). Verordnete Sicherheit—das Schutzprofil für das Smart Metering Gateway. Datenschutz und Datensicherheit-DuD, 35(8), 547-551.
Oracle. (2017, 22. Januar). Oracle Utilities Meter Data Analytics. Abgerufen von http://www.oracle.com/us/products/applications/utilities/business-solutions/meter-data-analytics/overview/index.html
Oracle. (2017, 22. Januar). Oracle Utilities Meter Data Management. Abgerufen von http://www.oracle.com/us/products/applications/utilities/customer-solutions/meter-data-management/overview/index.html
Pudjianto, D., Ramsay, C., & Strbac, G. (2007). Virtual power plant and system integration of distributed energy resources. IET Renewable Power Generation, 1(1), 10-16.
Qian, L. P., Zhang, Y. J. A., Huang, J., & Wu, Y. (2013). Demand response management via real-time electricity price control in smart grids. IEEE Journal on Selected Areas in Communications, 31(7), 1268-1280.
Rial, A., & Danezis, G. (2011, Oktober). Privacy-preserving smart metering. In Proceedings of the 10th annual ACM workshop on Privacy in the electronic society (pp. 49-60). ACM.
Rubinstein, F., Neils, D., & Colak, N. (2001). Daylighting, dimming, and the electricity crisis in California. Lawrence Berkeley National Laboratory.
Sæle, H., & Grande, O. S. (2011). Demand response from household customers: experiences from a pilot study in Norway. IEEE Transactions on Smart Grid, 2(1), 102-109.
Salesforce. (2017, 18. Januar). Lead Management Lösung. Abgerufen von http://www.salesforce.com/de/sales-cloud/marketing-lead-tracking-solutions.jsp
Samadi, P., Mohsenian-Rad, A. H., Schober, R., Wong, V. W., & Jatskevich, J. (2010, Oktober). Optimal real-time pricing algorithm based on utility maximization for smart grid. In Smart Grid Communications (SmartGridComm), 2010 First IEEE International Conference on (pp. 415-420). IEEE.
SAP. (2017, 22. Januar). Maintenance Planner. Abgerufen von https://support.sap.com/solution-manager/processes/maintenance-management/maintenance-planner.html
Siemens. (2017, 18. Januar). Asset Performance Management System. Abgerufen von http://www.energy.siemens.com/us/en/services/power-transmission-distribution/asset-management/asset-performance-management-system.htm
Siemens. (2017, 22. Januar). PSS®SINCAL. Abgerufen von http://w3.siemens.com/smartgrid/global/de/produkte-systeme-loesungen/software_solutions/planning-data-management-software/planning-simulation/pages/pss-sincal.aspx
Siemens. (2017, 22. Januar). SCADA System SIMATIC WinCC. Abgerufen von http://w3.siemens.com/mcms/human-machine-interface/de/visualisierungssoftware/scada-wincc/seiten/default.aspx
Smart Grid Coordination Group. (2012). Smart Grid Reference Architecture. CEN-CENELEC-ETSI. Technischer Report.
Software Systems, Inc. (2017, 19. Januar). Utility Billing Software. Abgerufen von http://software-systems.net/ubillity/account-management/
Stromnetze. (2017, 22. Januar). Automatisierte Netzausbauplanung im Verteilnetz. Abgerufen von http://forschung-stromnetze.info/projekte/automatisierte-netzausbauplanung-im-verteilnetz/
Teive, R. C. G., Lange, T., Arfux, G. A. B., Queiroz, A. K., Rosa, L. F. S. C., & Neto, A. V. (2010, Juni). A decision support system for energy trading and portfolio optimization. In 2010 7th International Conference on the European Energy Market (pp. 1-6). IEEE.
Zachmann, G. (2008). Electricity wholesale market prices in Europe: Convergence?. Energy Economics, 30(4), 1659-1671.
Zhou, Z., Zhao, F., & Wang, J. (2011). Agent-based electricity market simulation with demand response from commercial buildings. IEEE Transactions on Smart Grid, 2(4), 580-588.