Ergebnispräsentation - Seminararbeit im Jahr 2013 Überblick zum "Buzzword": Big Data; und konzeptionelle Vorstellung von Smart Grid in diesem Kontext.

1. Big Data Analytics
Auszug: Smart Grid
Seminar: „IT Trends 2013“
14.01.2013
Philipp Hechler

2. Agenda
2
2
Smart Grid4
Big Data Analytics
1 Was bedeutet Big Data?
3 S-CRM
Konsumenten Transition / Fazit5

3. Agenda
3
2
Smart Grid4
Big Data Analytics
1 Was bedeutet Big Data?
3 S-CRM
Konsumenten Transition / Fazit5

4. Was ist Big Data in der Theorie?
Pospiech et al., 2012 Big Data a State of the Art4
Was macht Data zu Big Data?
Arten von Datenmengen:
gut strukturiert und kompakt
Arten von Datenmengen:
kaum strukturiert und chaotisch
Größe: klar messbar
Formate: Alle gleich
Größe: unscharf
Formate: viele Arten

5. Was ist Big Data in der Theorie?
Pospiech et al., 2012 Big Data a State of the Art5
Was macht Data zu Big Data  Dynamik (Veränderung über die Zeit)
Größe: klar messbar
Formate: Alle gleich
Größe: unscharf
Formate: viele Arten

6. Was ist Big Data in der Theorie?
Pospiech et al., 2012 Big Data a State of the Art6
Was macht Data zu Big Data  Dynamik (Veränderung über die Zeit)
Dynamik: quasi Null
Größe: klar Messbar
Formate: alle gleich
Dynamik: in jedem Punkt
Größe: unscharf
Formate: viele Arten

7. Was ist Big Data in der Theorie?
Pospiech et al., 2012 Big Data a State of the Art7
Was macht Datenmengen zu Big Data?
Gemeinsames Auftreten dieser Faktoren führen zu Big Data-Umgebungen
Viele unterschiedliche Formate:
• Soziale Daten (Blogs, Wikis,
Chatter)
• System Daten (Bar Codes,
Queries, GPS)
• Software Formate
Zusammenführung durch
Middleware
Verarbeitung großer
Datenmengen
• Verarbeitung der Daten
entscheidend
Wachstum und Veränderung der
Daten:
• 2,9 Mio. Emails pro Tag
• 20 Stunden hochgeladener
Videos bei YouTube pro Minute
• 50 Mio. Tweets am Tag
Dateiformate Größe Dynamik der Daten

8. Agenda
8
2
Smart Grid4
Big Data Analytics
1 Was bedeutet Big Data?
3 S-CRM
Konsumenten Transition / Fazit5

9. Big Data Analytics
Bollier & Firestone, 2010 The promise and peril of Big Data9
Diese Datenmengen zu analysieren ist derzeit eine der größten Herausforderungen der
Informatik.
Was zeichnet Big Data Analytics aus?
 Analyse von bisher nicht analysierbaren Systemen/Umgebungen
 Erarbeitung von schnellen Analysen, um in diesem Systemen interagieren zu können.
 Innen liegende Strukturen erkennen und zu einem gesamten Muster zusammenführen!

10. Agenda
10
2
Smart Grid4
Big Data Analytics
1 Was bedeutet Big Data?
3 S-CRM
Konsumenten Transition / Fazit5

11. Agenda
11
2
Smart Grid4
Big Data Analytics
1 Was bedeutet Big Data?
3 S-CRM
Konsumenten Transition / Fazit5

12. Smart Grid
12 Steger et al. 2008
Zentrale
Energieerzeugung,
Großkraftwerke
Verteilung der
elektrischen Energie an
Verbraucher
Verbrauch der
elektrischen
Energie
Probleme:
konstante Menge an
elektrischer Energie
Probleme:
Speichern nur mit großem
Aufwand
Probleme:
Energieverbrauch
schwankt stark
Vereinfacht: Das Stromnetz (Grid)

13. Smart Grid
13 Steger et al. 2008
Neue Dynamik: Erneuerbare Energien
Die Lösung:
Dezentrale Erzeugung mit
erneuerbaren Energien.
Die größten Verluste treten durch nicht genutzte Kapazität und Übertragung über große
Distanzen auf. In Deutschland: ca. 10% der gesamten Energie
Aber:
Die Menge an Strom, die durch
erneuerbare Energien erzeugt wird,
schwankt durch wechselndes Wetter.
 Großer Steuerungsaufwand

14. Smart Grid
14 www.unendlich-viel-energie.de
Das deutsche Stromnetz: Big Data-Umgebung
Das deutsche Stromnetz:
•Vier eigenständige Netze
(Organisationen)
•Nur eingeschränkter
Informationsfluss
•Begrenzte Interaktion über
Strombörsen (Verkauf /
Ankauf von Überkapazitäten)
Private Verbraucher:
 ca. 40 Mio. Haushalte
=

15. Smart Grid
15 www.ict-nobel.eu; Marqués et al. 2010
Ziel: Effizientere Erzeugung und Verteilung von elektrischer Energie

16. Smart Grid
16 Marqués et al. 2011
Prosumer – wechselseitige Beziehungen im doppelten Sinne
Zentrale
Energieerzeugung:
Großkraftwerke
Verteilung der
elektrischen Energie
an Verbraucher
Verbrauch +
Erzeugung
der elektrischen
Energie
Verbraucher (Haushalte)
Produzieren selbst elektrische
Energie mittels erneuerbaren
Energien
Zentrale
Energieerzeugung:
Großkraftwerke
Verteilung der
elektrischen Energie
an Verbraucher
Verbrauch der
elektrischen
Energie
Informationsfluss über die
gesamte Wertschöpfungskette
von elektrischer Energie:
Verbrauch und Erzeugung

17. Smart Grid
17 Marqués et al. 2011
Prosumer – wechselseitige Beziehungen im doppelten Sinne
Nötig für Interaktion:
Informations- und
Kommunikationstechnik (IKT)
• Hardware: Messsysteme für Haushalte
(Smart Meter); große Rechenkapazität
für Analyse
• Software: Standards für Dateiformate;
Übertragungsstandards,
Analysesoftware
( Big Data)
Zentrale
Energieerzeugung:
Großkraftwerke
Verteilung der
elektrischen Energie
an Verbraucher
Verbrauch +
Erzeugung
der elektrischen
Energie
Zentrale
Energieerzeugung:
Großkraftwerke
Verteilung der
elektrischen Energie
an Verbraucher
Verbrauch der
elektrischen
Energie

18. Smart Grid
Karnouskos 201018
Das Konzept.
Smart Meter misst und versendet
kontinuierlich Daten über:
• Energie-Verbrauch
• Energie-Erzeugung durch erneuerbare
Energien
Anwendung Internet of Things – Smart Meter
http://de.wikipedia.org/wiki/Smart_Meter

19. Das Konzept.
Reale, physikalische Gegenstände werden
mittels Informations- und
Kommunikationstechnik (IKT) in ein
Informationsnetzwerk eingebunden.
Das Ziele:
• Automatisierte Überwachung und Messung
von Objekten (RFID in der Logistik)
• Verbesserung der Produkteigenschaften
(Toaster mit Wettervorhersage)
• Automatische Interaktion zwischen
technischen Geräten (Waschmaschine startet
Waschvorgang, wenn Strom günstig ist)
Smart Grid
19 Atzori et al. 2010
www.utopia.de
www.likecool.com
Internet of Things – Neue Netzwerke

20. Smart Grid
Katz 201120
• Zusammenführung
aller Informationen
auf einer Plattform
• Kontinuierliche
Analyse und Planung
des Netzes (Big Data
Analytics)
• Effiziente Ressourcen-
Allokation durch
(automatisierte)
Interaktion auf
Märkten
Informationsflüsse
http://www.commputation.kit.edu

21. Fazit
Katz 2011; Karnouskos 201021
In-Haus:
Variable transparente Last-Abhängige Preise für
elektrische Energie
Preisen  Information über die Kapazität im
Netz an die Smart Meter gesendet,
Haushaltsgeräte  (Internet of Things)
Verringerung der Verluste durch weniger
ungenutzte Kapazität im Netz
In-Netz:
Direkte Interaktion auf Ebene der
Niederspannungsnetze  weniger Energie aus
Mittel- und Hochspannungsnetzen
Daten-Standards, Übertragungs-Standards
 Handelsplattform
Verringerung der Verluste durch Strom-
transport
Nutzen der Big Data Analytics -> Nachfrage Steuerung

22. Smart Grid
22
Internet
of
Things
Smart
Grid
Big Data durch Kombinierung von Konzepten der Wirtschaftsinformatik
Smart Grid, besteht vereinfacht aus der Umsetzung zweier wissenschaftlicher Ansätze in
der Wirtschaftsinformatik:
• Prosumer:
Die Einbindung des Konsumenten direkt bei Erstellung von Produkten/Dienstleistungen
• Internet of Things:
Das Einbinden von Objekten in Informationsnetzwerke und deren Interaktion
 Automatische Messung menschlichen Verhaltens
Pro-
sumer

23. Smart Grid
23
Smart Grid – Big Data Analytics Anwendung
• Viele Dateiformate
durch unterschiedliche
Hersteller der Smart
Meter
• Unterschiedliche
Analyse-und
Planungsprogramme
Dateiformate Größe
• Kontinuierliche
Verarbeitung und
Speicherung von 10 –
40 Mio. Datensätzen
(Haushalte in
Deutschland)
Dynamik der Daten
• Ändert sich
kontinuierlich, da von
Smart Metern erfasst

24. Agenda
24
2
Smart Grid4
Big Data Analytics
1 Was bedeutet Big Data?
3 S-CRM
Konsumenten Transition / Fazit5

25. Fazit
25
Direktes Einbinden menschlichen Handelns in ein Informationsnetzwerk:
• Interaktion von Menschen in sozialen Netzwerken und Märkten
 Prosumer
 Customer Relationship Management
• Messen menschlichen Verbrauchsverhalten
 Social Media Analytics
 Internet of Things
Bedürfnisse direkt bei der Erstellung und/oder Bereitstellung von Produkten und
Dienstleistungen einzubinden

26. Fazit
26
S-CRM:
Konzepte:
CRM + Web 2.0
Beispiel für Big Data Analytics, da:
• Amazon verfügt allein über Datensätze
von 16 Mio. Usern (2009)
• Jede Plattform hat eigenes Datenformat
• Kontinuierliches Wachstum der
Kundendaten
Smart Grid:
Konzepte:
Prosumer + Internet of Things:
Beispiel für Big Data Analytics, da:
• Datensätze von 40 Mio. Haushalten
• Viele Datenformate von Protokolle
• Kontinuierliche Veränderung
Stromverbräuche
Big Data Analytics: S-CRM und Smart Grid

27. Danke für eure Aufmerksamkeit
Wir freuen uns auf eure Fragen
27

28. Diskussion: Datensicherheit ,die Klassiker
28
Brave New World:
• Überwachung, Informationelle Selbstbestimmung
 Probleme beispielsweise S-CRM: diese Daten sind durch private Unternehmen
erhoben worden.
 Problem: keinen Rechtsraum, extremer Nachholbedarf der Regierungen
(und Bürger)  Steuergelder