Eine Referenzarchitektur für die Digitalisierung des Energie-Sektors Teil 2: Modellierung der fachlichen Domänen

3. Mai 2017 | Von admin | Kategorie: Software Development + Change Mgmt., Strategische Berichte, Wissenschaft und Forschung

Im ersten Teil der Artikelreihe zur Digitalisierungsarchitektur haben wir in die Thematik des Energiesektors eingeführt und die Grundlagen zur Entwicklung einer Referenzarchitektur geschaffen. In diesem zweiten Teil erfolgt die Modellierung der fachlichen Domänen des Energiesektors und wir erarbeiten die Referenzarchitektur der Energiebranche unter dem Gesichtspunkt der Digitalisierung.

Read Offline:

Download PDF

Download ePub

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.

Abb. 1: Business Domains eines Energieunternehmens

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.

Abb. 2: Energy Generation – Business & Application Architecture

Abb. 3: Energy Generation – Technology Architecture

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.

Tab. 1: Energy Generation – Schlüsselbegriffe

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.

Abb. 4: Energy Delivery & Infrastructure – Business & Application Architecture

Abb. 5: Energy Delivery & Infrastructure – Technology Architecture

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.

Sie müssen sich als Abonnent anmelden um den hier fehlenden Teil des Inhalts zu sehen. Bitte Login für Zugriff.

Noch nicht Abonnent? Sonderaktion nutzen.

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.

Abb. 12: Risk Management – Business & Application Architecture

Abb. 13: Risk Management – Technology Architecture

Tab. 6: Risk Management – Schlüsselbegriffe

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

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 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

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

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

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.