Smart Metering, Smart Building und Data Lakes

Big Data und Sensordaten

Dr. Klaus Manhart hat an der LMU München Logik/Wissenschaftstheorie studiert. Seit 1999 ist er freier Fachautor für IT und Wissenschaft und seit 2005 Lehrbeauftragter an der Uni München für Computersimulation. Schwerpunkte im Bereich IT-Journalismus sind Internet, Business-Computing, Linux und Mobilanwendungen.
Anzeige  Egal, ob bei den Energieversorgern oder der Energieoptimierung in Unternehmen: Mit der zunehmenden Verbreitung von intelligenten Zählern und Sensoren steigt auch das Datenaufkommen. Solche Zeitreihendaten erfordern spezielle Auswertungen und Datenbanken. Data Lakes bieten hier eine flexiblere Alternative zum klassischen Data Warehouse.

Big Data spielt in der Energieversorgung und -optimierung eine zunehmend entscheidende Rolle. Intelligente Zähler führen dazu, dass das Datenaufkommen bei den Energieversorgern explodiert. Wenn der Energieverbrauch alle 15 Minuten oder, wie in manchen Bereichen, gar jede Minute abgelesen wird, entstehen gewaltige Datenmassen - bei einem 15-Minuten-Intervall 36.000 Ablesungen pro Jahr. Und pro Kunde.

Früher war das Datenaufkommen im Energiebereich noch überschaubar. Ein bis zweimal im Jahr kam der Ableser beim Endkunden vorbei und trug die Verbrauchsdaten in sein Formular ein. Oder der Kunde las den Zähler selbst ab und meldete den Energieverbrauch an den Versorger. Für den Energieversorger war das Verfahren zwar umständlich und fehleranfällig, doch die Daten blieben relativ überschaubar.

Inzwischen werden die Daten jedoch oft mit intelligenten Zählern - im Fachjargon Smart Meter - automatisch abgelesen und ausgewertet. Diese Smart Meter zeigen zum einen dem Kunden den aktuellen Energieverbrauch an, zum anderen senden sie die Daten über dessen Strom-, Gas- oder Wasserkonsum typischerweise alle 15 Minuten automatisch an den Anbieter.

Solche intelligenten Zähler sind schon seit den 1990er Jahren vor allem für Großkunden in Betrieb, werden aber seit ungefähr 2010 auch für Privathaushalte angeboten. Energieversorger stehen von verschiedenen Seiten her unter Druck, in Gebäuden und Wohnungen Smart Meter einzuführen - haben allerdings auch einige Vorteile davon. Und auch Verbraucher profitieren unmittelbar davon.

Die Vorteile von Smart Metering

Verbraucher können über Smart Meter ihren Energiekonsum besser kontrollieren. Stromkunden sehen über die intelligenten Zähler, wann sie wie viel verbrauchen und ändern möglicherweise ihr Verhalten. Beispielsweise, indem sie die Waschmaschine nachts laufen lassen, wenn der Strombedarf insgesamt niedriger und daher die Kilowattstunde billiger ist.

Theoretisch ist ein Kunde mit einem Smart Meter auch in der Lage, von Stunde auf Stunde seinen Anbieter zu wechseln, wie das im Telekommunikationsbereich schon länger üblich ist. Im Vergleich zum normalen Zähler ermöglicht ein Smart Meter ein sehr schnelles Hin- und Herschalten zwischen einzelnen Energieversorgern.

Auch die Versorger selbst haben einen Anreiz, Smart Metering einzuführen: Sie gewinnen mit den intelligenten Zählern mehr Transparenz und über die feingranulare Auswertungsmöglichkeit eine bessere Einsicht in das Kundenverhalten. Vor allem können sie die Daten nutzen, um Energieströme besser zu steuern, und sie wissen genauer über die Verbrauchsspitzen und Energieverteilung Bescheid. Das ist im Bereich erneuerbarer Energien wie bei der Windkraft wichtig, weil diese Energie nach Verbrauch gesteuert und geroutet werden muss.

Smart-Meter-Daten erfordern Zeitreihenanalyse

Für die Energieversorger hat Smart Metering allerdings auch einen Nachteil: Die Datenmenge steigt immens. Die Remote eingelesenen Verbraucherdaten führen unweigerlich zu einer explodierenden Fülle von Abrechnungs- und Kundendaten. Big-Data-Lösungen sind deshalb auch im Bereich der Energieversorgung unverzichtbar.

In diesem Umfeld ist IBM aktiv und arbeitet mit Partnern wie der Firma Fröschl zusammen, die Smart-Metering-Lösungen entwickelt hat. Softwaretechnisch setzt IBM im Smart-Metering-Segment vor allem auf Informix, eine objektrelationale Datenbank, die um neue Eigenschaften erweitert wurde.

Der Vorteil von Informix: Das Datenbanksystem ist optimiert für den Umgang mit Zeitreihendaten, wie sie Smart Meter liefern. "Man hat hier immer einen Messwert und einen Zeitstempel, die beide zusammengelegt werden", erklärt Alexander Körner, Consulting IT-Specialist für Smart Home/Smart Metering bei IBM.

Würde man die Daten in einer klassischen relationalen Datenbank speichern, bekäme man Tabellen mit sehr vielen Indizes, die sehr groß werden. "Denken Sie an eine Stadt wie Nürnberg mit 600.000 Haushalten beziehungsweise Smart Metern", so Körner. "Wenn die alle 15 Minuten Werte liefern und diese in eine relationale Tabelle geschrieben werden, erhalte ich Tabellen, die salopp gesagt sehr lang - und damit ineffizient und schwer auswertbar sind."

Informix macht das wesentlich eleganter: "Hier ist die relationale Tabelle so groß wie die Anzahl der Zähler, man hat bei 600.000 Smart Metern also 600 000 Datensätze. Für jeden Datensatz gibt es ein Feld, in dem die Messwerte schön aufgereiht nebeneinander stehen. Die Zeitstempel werden nicht mit abgespeichert, wodurch man eine Menge Platz spart. Im Endeffekt reduziere ich damit meine Plattenoperationen, meine I/O und steigere die Performance."

Informix ist aber nicht nur wegen der Zeitreihendaten ideal für Smart Meter geeignet. Weil Informix auch ein relationales Datenbanksystem ist, lassen sich die Smart-Meter-Daten zusammen mit Stammdaten etwa zu Gebäuden sehr gut integrieren. Zudem ist Informix, wie eben angedeutet, auch hochperformant: Ein Benchmark-Vergleich mit anderen relationalen DB-Anbietern am Markt zeigte, dass Informix doppelt so schnell ist wie Mitbewerberprodukte und nur ein Drittel der Ressourcen benötigt.

Energieoptimierung im Smart Building

Sensordaten, wie sie Smart Meter liefern, werden nicht nur für Energieversorger immer wichtiger, sondern auch für die Optimierung des Energieverbrauchs in Haushalten und Unternehmen - Stichwort Smart Building. Für Industriekunden ist die immer teurer werdende Energie ein zentraler finanzieller Faktor, der einen wesentlichen Teil ihrer Kostenstruktur ausmacht.

Immer mehr Firmen achten deshalb darauf, dass ihre Bürogebäude auch energieoptimiert betrieben werden - und nicht zu viel Energie verbraucht wird. Treffen sich in einem Meeting-Raum beispielsweise übers Jahr hinweg regelmäßig 30 Mitarbeiter, heizen diese den Raum mit auf. Wenn man weiß, wann und wo sich Menschen in bestimmter Anzahl regelmäßig aufhalten, kann man die Raumtemperatur um ein halbes oder ein Grad herunterregeln - das spart eine Menge Energie.

Um Smart-Building-Lösungen zu realisieren, müssen die Energieverbrauchsdaten zunächst einmal lokal im Gebäude erfasst werden. Dafür braucht man eine kleine Smart-Meter-Lösung, die alle verbrauchsrelevanten Informationen wie Temperatur in dem lokalen System misst und speichert.

Im Idealfall erledigen dies für jeden Raum ein Temperatursensor und ein Sensor, der die Sonneneinstrahlung misst. Die Sensordaten, die vom Gebäude geliefert werden, müssen dann mit den Stammdaten des Gebäudes - wie der Raumgröße in qm - kombiniert werden. Diese Daten werden anschließend mit Hilfe einer kleinen Smart Home Smart Building Gateway Lösung verdichtet.

"IBM arbeitet bei Smart-Buildung-Lösungen eng mit entsprechenden Technologieanwendern zusammen", sagt Körner. "Intel entwickelt beispielsweise Gateway-Systeme, in die dann - z.B. auf Basis von embedded Linux Distributionen - eine Informix Datenbank für Sensor- und JSON-Daten integriert wird. Das sind interessante Lösungen, die immer mehr nachgefragt werden."

Das langfristige Ziel sollte die Automatisierung sein. Dazu muss man auf Basis der Sensorinformationen die Charakteristik jedes Gebäudes bestimmen und dieses mit anderen, ähnlichen Bauwerken vergleichen. Mit Predictive Maintanance Lösungen lässt sich dann der Energieverbrauch automatisch regeln - indem etwa bei einem bestimmten Sonnenstand die Temperatur selbstständig heruntergeregelt wird.

Data Lake statt Data Warehouse

Bei Smart-Meter- und Sensordaten bietet es sich an, diese ohne Umwege ohne weitere Zwischenschritte gleich direkt zu analysieren. Auf diese Weise kann man beispielsweise ganz schnell Trends beim Kundenverhalten erkennen oder sofort Verbrauchskurven in Abhängigkeit verschiedener Faktoren analysieren.

Normalerweise werden Daten, auch im Big-Data-Bereich, im Data Warehouse abgelegt. Dort werden die aufbereiteten Rohdaten qualitätsgesichert gespeichert und für alle berechtigten Mitarbeiter zugänglich gehalten. Doch das Ablegen der Daten im Warehouse ist zeitaufwändig: Bevor sie dort gespeichert werden, müssen sie im so genannten ETL-Prozess bereinigt und transformiert werden. Zudem muss die Datenstruktur bekannt sein.

Gerade die Datenstruktur ist aber bei Sensordaten ein großes Problem. "Die Formate der Sensordaten ändern sich in der Regel", erklärt Stephan Reimann, Leading Technical Sales Professional Big Data bei IBM. "Oft kommen plötzlich neue Felder hinzu, etwa wenn eine neue Sensorgeneration bei der neuesten Uhr neben dem Puls auch noch die Körpertemperatur misst."

Data Lakes bieten hier eine flexiblere Alternative zum klassischen Data Warehouse. Die Daten werden im Data Lake ohne Bearbeitung in ihrer Ursprungsform direkt gespeichert und sofort analysiert. Explorative Datenanalyse ist damit unmittelbar möglich. Data Lakes eignen sich auch sehr gut für Hadoop, weil man kein Datenschema festlegen muss und die Daten einfach geladen werden können.

Den Vorteil der hohen Flexibilität von Data Lakes erkauft man sich allerdings mit höheren Anforderungen an den Anwender. "Er muss viel mehr verstehen und viel mehr interpretieren als ein Anwender, der mit Data-Warehouse-Daten arbeitet", sagt Reimann. "Zudem muss er die Datenqualitiät selbst sicherstellen." Solche Daten sollten deshalb nur in die Hand von Power-Usern gegeben werden.

Data Warehouse oder Date Lake sind keine Alternativen, sondern ergänzen sich. Üblich sind in der Praxis Data Lakes mit mehreren Bereichen: Zum einen ein Rohdatenbereich und dann ein Bereich, in dem die Daten schon aufbereitet sind. "Was wir häufig in der Praxis sehen ist, dass man für spezielle Anforderungen den flexiblen Data-Lake-Ansatz nutzt und die Rohdaten beziehungsweise Sensordaten unbearbeitet speichert", sagt Reimann. "Für breitere Anwendungen, die nicht von Power-Usern bearbeitet werden, bereitet man die Daten wieder auf und gibt sie in ein klassisches Data Warehouse."

 

DingDong

"Theoretisch ist ein Kunde mit einem Smart Meter auch in der Lage, von Stunde auf Stunde seinen Anbieter zu wechseln, wie das im Telekommunikationsbereich schon länger üblich ist. Theoretisch ist ein Kunde mit einem Smart Meter auch in der Lage, von Stunde auf Stunde seinen Anbieter zu wechseln, wie das im Telekommunikationsbereich schon länger üblich ist. "

in welcher Welt lebt ihr? Ich kann meinen Telekommunikationsanbieter nicht stündlich wechseln, sondern nur alle zwei Jahre. Teilweise geht es auch monatlich - aber stündlich? Niemals!

comments powered by Disqus