Energy Data Engineering

Es ist eine neue Disziplin, die Erkenntnisse und Knowhow aus den Bereichen Energy Data Management und Data Engineering bündelt und mit Erkenntnissen aus dem Betrieb von Energiesystemen verbindet. Wir befinden uns aktuell in einer fundamentalen Umwälzung des Energiesektors, dies erfordert den Einsatz von leistungsfähigen Methoden um effiziente Energiesysteme zu planen, bauen und nachhaltig zu betreiben. Unser Studiengang und auch unsere Forschung an der Hochschule am Institut für nachhaltige Energiesysteme (INES) bereiten genau darauf vor.

In unserem internationalen Masterstudiengang „Renewable Energy and Data Engineering“ beschäftigen wir uns sehr intensiv mit der Auswertung und dem Management von Daten aus verschiedensten Energiesystemen. Dabei werden neben Werten wie Spannung, Strom und weiteren Energiedaten auch viele Daten erhoben, mit denen die meisten Unternehmen aktuell noch nichts anzufangen wissen. Häufig werden auch überhaupt keine Energiedaten erhoben.

Beispielsweise Daten, die den aktuellen Netzzustand reflektieren und es in Zukunft ermöglichen, aktiv und zeitnah in den Netzbetrieb einzuschreiten. Das heißt: aus Rohdaten werden Erkenntnisse abgeleitet und aus diesen wiederum im Idealfall automatisierte Handlungs- oder Steuerungsmechanismen. Oder Langzeit-Daten aus denen Modelle für zum Beispiel Trading-Strategien in hart umkämpften Märkten wie Primärregelleistungen umgesetzt werden können. Das funktioniert häufig dann besonders gut, wenn diese Energiedaten zusätzlich mit anderem Datenmaterial kombiniert werden. Man denke hierbei beispielsweise an Wolkenbilder und deren Bewegungsrichtung und Geschwindigkeit, die zusätzlich zu den Energiedaten eine verbesserte Prognose für PV-Anlagen ermöglichen.

Bei den Netzwerkbetreibern deshalb, weil sich erst jetzt in der Topologie auch der höheren Spannungsebenen ein signifikanter Wandel vollzieht. Weg von zentraler Energieerzeugung, die ins Hochspannungsnetz geleitet wird, hin zu immer mehr
dezentraler Einspeisung. Sprich: jetzt wird zusätzlich auch auf unteren Spannungsebenen Strom erzeugt. Das heißt, wir beobachten in einigen Bereichen der Mittel- und Niederspannungsnetze eine Lastfluss-Umkehr. Darauf ist das Stromnetz mit Mess- und Steuerungseinrichtungen nicht ausgelegt – und auch nicht darauf, dass Lastflüsse dezentral überwacht und gesteuert werden können.

Früher konnte man Großkraftwerke in Grund-, Mittel und Spitzenlast einfach an die Lastanforderung anpassen und wenn eine Netzüberlastung drohte wurde entsprechend nachgeregelt. Das geht heute nicht mehr, denn Strom wird heute sogar im Privathaushalt erzeugt und ins örtliche Netz eingespeist. Diese dezentrale Einspeisung hat zum Teil gravierende Folgen für den Netzbetrieb. Da kann es passieren, dass in einem Industriebetrieb plötzlich eine Maschine oder eine Trafostation überlastet wird. Und keiner die Ursache des Problems identifizieren kann. Inzwischen aber erkennen immer mehr Unternehmer und Versorger den Zusammenhang und wollen entsprechend proaktiv agieren. Die Disziplin "Energy Data Engineering" ist noch recht neu und birgt ein enormes Potenzial für den künftigen Netzbetrieb.

Gleichzeitig ist ein bedarfsgerechtes Energy Data Engineering auch erst jetzt möglich. Denn noch vor wenigen Jahren wären die dafür benötigten Rechnerkapazitäten gar nicht vorhanden gewesen. Vor allem nicht für Echtzeitmessungen, für eine umfassende Überwachung oder den Einsatz von KI und Machine-Learning Algorithmen auf große Datenmengen. Diese Möglichkeiten sind neu und wir sollten sie nutzen.