#hackdaysreport Energy Data Hackdays 2020: die Resultate!
- Energy
- Hackathon
Die Vorfreude auf die neue Ausgabe der Energy Hackdays in Brugg war dieses Jahr etwas Besonderes. Neben dem üblichen süssen kleinen Herzklopfen beim Sprung in eine neue Gruppe, der Entdeckung der Challenges und der Genugtuung, diesen besonderen Anlass zum zweiten Mal in Brugg stattfinden zu sehen, gab es Freude, aber auch Respekt davor, dass die Energy Hackdays grösstenteils vor Ort im Hightech Zentrum Aarau stattfanden.
Wir haben uns also persönlich getroffen, und soweit wir das beurteilen können, hat es sich gelohnt! 13 wirklich ambitionierte und technische Challenges trafen auf 85 Teilnehmende, die nicht weniger ambitioniert und hoch qualifiziert waren! Zwei grosse Themen zeichneten sich dieses Jahr ab, und Vorhersagen auf der Grundlage von Machine Learning war eines davon. Leistung, Nutzungsmuster, Anomalien oder sogar Ausfälle vorhersagen, um Infrastruktur genauer zu planen, zu nutzen und zu unterhalten. Das Erreichen dieser Ziele ermöglicht natürlich ein viel besseres Ressourcen- und Produktionsmanagement.
Das andere grosse Thema, das mehrere Challenges behandelten, war die Frage der Visualisierung und der Schnittstellen, insbesondere für Smart Meter: Wie kann man Nutzerinnen und Nutzern, Wissenschaftlerinnen, Produzenten oder Endverbraucherinnen helfen, Datenflüsse zu lesen, und ihnen ermöglichen, eine gegebene datengestützte Information zu interpretieren und angemessen zu entscheiden oder zu reagieren? Wie können sie verschiedene Aspekte ihrer Infrastruktur oder Anlage analysieren und steuern? Mit diesem Thema verwandt waren Challenges, die den Konsumentinnen und Konsumenten einen Marktüberblick ermöglichen wollten, in diesem Fall über den Markt der Ladestationen für Elektroautos, oder den gesamten aktuellen Stromverbrauch der Schweiz visualisieren wollten.
Soweit ich das beurteilen kann und nach dem, was ich von den Challenge-Ownern gehört habe, haben uns die Resultate umgehauen! Auch wenn die Projektbeschreibungen für die Öffentlichkeit vielleicht etwas weniger zugänglich sind als manche von früheren Hackdays, entsprechen die Ansätze und Resultate sicherlich einem aktuellen Bedürfnis der Energiebranche und bestärken uns in der Überzeugung, dass Hackathons und die Zusammenarbeit mit Open Data Spitzeninnovation fördern.
Wir hatten zudem das grosse Glück, das Team von Campus 21 begrüssen zu dürfen, das die Visionen einiger Teilnehmender für die Zukunft von Open Energy Data eingefangen hat.
Bis nächstes Jahr!
Die 13 Projekte, die an den Hackdays entwickelt wurden
Laufzeit des Gas-Spitzenkessels dank besserem Speicherbetrieb senken: Wärmebedarfsprognose, verbesserte Speichersteuerung, besserer Speicherbetrieb.
PV self-consumption optimization
Zielkonflikte bei der Auslegung von Batteriespeichern für PV-Anlagen bewerten und optimieren, damit unsere Kundschaft wählen kann, ob sie die wirtschaftlichste Batterielösung will oder ihre Autarkie maximieren möchte. Unsere Tools berechnen den maximalen wirtschaftlichen Nutzen über die Lebensdauer.
Den eigenen Smart Meter über die lokale Kundenschnittstelle (Customer Information Interface, CII) auslesen und den eigenen Verbrauch visualisieren. Ein Dashboard mit den nützlichsten Informationen gestalten.
Um die GIS-Plattform des Bundesamts für Energie (BFE) weiterzuentwickeln: Preisinformationen zu den Ladestationen hinzufügen und für Elektroautofahrerinnen und -fahrer die günstigste Option in der Umgebung finden.
Eine Plattform für strategische Entscheidungen auf der Grundlage von Daten des Energy Science Center der ETH Zürich schaffen.
Wir haben die Lademuster privater und öffentlicher Ladestationen für Elektroautos analysiert. Dies könnte gute Hinweise für eine weitergehende automatisierte Kundensegmentierung liefern, helfen, Verhaltensänderungen bei der Lastkurve im Verhältnis zur erneuerbaren Stromproduktion vorherzusagen, & Kundinnen und Kunden helfen, ihre Ladegewohnheiten zu optimieren.
Empower the People with Smart Meter Data
Zusätzliche Anwendungsfälle für Smart Meter: Ein neuartiger Energieausweis bewertet, wo und wie stark das Verhalten eines Gebäudes oder der Nutzenden vom theoretischen bzw. optimalen Verhalten abweicht.
Vorhersage der Leistungskurve von Windturbinen mit Machine Learning: Wir haben die vom Hersteller angegebenen Produktionsprognosen mit den tatsächlichen Produktionskurven verglichen, mit dem Ziel, die standortspezifische Leistungsvorhersage von Windturbinen zu verbessern.
– Entwicklung von Machine-Learning-Algorithmen (oder Tools/Apps) für eine verbesserte standortspezifische Leistungsvorhersage von Windturbinen.
– Entwicklung alternativer Algorithmen, z. B. künstlicher neuronaler Netze
– Inputs: Windgeschwindigkeit, Turbulenzintensität, Scherungsfaktor (Alpha)
Hilf mit, die Ziele des Übereinkommens von Paris zu erreichen: Netto-Null bis 2050, weniger als 2 Tonnen CO2 pro Person! Wir wollen das Bewusstsein für Energienutzung und -verbrauch schärfen, indem wir die Schweiz auf electricitymap.org auf die Karte bringen und deren Open-Data-API nutzen.
Distributed analytics for asset management
Ziel ist es, ein Entscheidungshilfe-Tool für Asset-Managerinnen und -Manager zu schaffen, das mit KI vorhersagt, wie Leistungstransformatoren ausfallen werden und worauf zu achten ist.
Anomaly Detection in Smart Meter Data
Wir haben eine explorative Datenanalyse (EDA) und Algorithmen für die Challenge «Anomaly Detection in Smart Meter Data» entwickelt. Wir haben mehrere Ansätze erarbeitet, um anomale Tage anhand von Mittelwert und Standardabweichung der Messwerte im Tagesverlauf sowie einzelne anomale Messwerte zu erkennen.
Diese Modelle können in den zweiten Teil der Challenge integriert werden
MeterOS: Smart Meter Anomaly Detection
Ein Modell zur Erkennung von Anomalien bei Smart Metern und deren Visualisierung erstellen.
Unleashing the Swiss Smartmeter’s CII
Bürgerinnen und Bürger befähigen, ihre Energiedaten zu nutzen. Die CII des Smart Meters über die Visualisierung hinaus nutzen, um den lokalen Verbrauch zu steuern. Wir haben ein Konzept und eine PoC-Roadmap entwickelt, um einen «universellen» Adapter von Smart Metern zu IoT-Plattformen für das Zuhause bereitzustellen.