Was wir an den Energy Data Hackdays 2022 gelernt haben – und wie es weitergeht

Kaum zu glauben, wie schnell die Zeit seit den 4. Energy Data Hackdays 2022 vergangen ist! Ein halbes Jahr ist es her, und wir bereiten uns schon auf die nächste Runde vom 15. – 16. September an der FHNW in Brugg-Windisch vor. Doch bevor wir euch bitten, euch das Datum vorzumerken – wie wäre es mit etwas Inspiration aus der Vergangenheit?

Die EDH22, wie wir sie nennen, fanden vom 16. bis 17. September im Hightech Zentrum Aargau statt und waren ein Mammutprojekt des ganzen Ökosystems mit über 31 Organisationen, darunter wir von Opendata.ch und natürlich das Hightech Zentrum Aargau (das neben der AEW auch Hauptsponsor war).

Am Freitag, 16., begrüssten wir über 110 Teilnehmende und Gäste im Hightech Zentrum Aargau, die sich im Lauf des Vormittags auf 13 Teams verteilten. In den folgenden 32 Stunden arbeiteten sie wirklich hart, um ihre Arbeit und ihre Teamleistung an der Schlusspräsentation vorstellen zu können!

Challenges, Projekte & Pitches!

Eine Herausforderung bei den Challenges ist es, die Aufmerksamkeit aller während 17 Pitches aufrechtzuerhalten. Das war aber eine leichte Aufgabe, vor allem dank der hohen Qualität der Pitches, die (heisse) Themen von «Energy Heat Demand Modelling» bis zu eher philosophisch-künstlerischen Projekten wie dem «EMF Walk through Brugg» abdeckten.

Ohne weitere Umschweife tauchen wir in die Projekte ein:

SolarDAO

SolarDAO ist an Hackathons kein Neuling, denn das Team hatte bereits am Open Legal Lab 2022 teilgenommen. Wir hoffen, es wiederzusehen! Das Ziel von SolarDAO ist es, Energiegenossenschaften als digitale Energiegenossenschaft dabei zu helfen, grösser, stärker und besser organisiert zu werden.

New Interface to Estimate Heat Demand

Das Heizen ist der grösste Energieverbraucher in Schweizer Haushalten und stammt immer noch zu 60 % aus fossilen Brennstoffen. Das muss sich sehr schnell ändern, um die Klimaziele zu erreichen und die Abhängigkeit von fossilen Brennstoffen zu beenden. Den Wärmebedarf eines Gebäudes zu kennen, ist der erste Schritt, um die Effizienz zu verbessern und Heizsysteme zu ersetzen. Die Tessa Group suchte nach Möglichkeiten, diese Gebäude und ihren Energiebedarf zu visualisieren, auszuwählen und zu erkunden, indem sie ein neues Konzept dafür entwickelte, wie Nutzende mit unserer API zur Schätzung des Wärmebedarfs interagieren könnten.

Graph Neural Network of a Wind Farm

Das Problem ist klar: Windturbinen beeinflussen sich gegenseitig durch ihren Nachlauf. Ziel war hier, ein datengetriebenes Modell zu erstellen, das folgende Fragen beantworten kann: Wie hoch ist die Leistung jeder Turbine unter Berücksichtigung der Nachlaufeffekte, und welche Turbine trägt am meisten bei? Es folgten komplexe Berechnungen und farbenfrohe Visualisierungen – in der Hoffnung, dass Windparkbetreiber damit gezielte Änderungen an bestimmten Turbinen vornehmen können, um die Stromproduktion zu optimieren.

Alternative Pathways to Net Zero

Die ETH Zürich und das Energy Science Center stellten eine Frage ins Zentrum ihrer Challenge: Wie können politische Entscheidungsträger auf Basis modellgestützter Energieszenarien entscheiden? Daraus ergibt sich ein Ziel: ein Entscheidungswerkzeug, um mehrere Energieszenarien zu erkunden und zu vergleichen! Sie erstellten einen funktionierenden Prototyp, den sie im Rahmen von BFE-Projekten weiter zu nutzen versprachen.

Optimizing Short-term Active Power Losses Forecast

Die Challenge von Swissgrid zog mit insgesamt 9 Teammitgliedern eine der grösseren Gruppen an. Ziel ist hier, ein Modell zu erstellen, das das Risiko für das System verringert, denn bei der Prognose thermischer Verluste durch den Leitungswiderstand müssen Verluste kompensiert werden, die Energie wird gemäss den Verlustprognosen beschafft (Day-Ahead-Markt), und schliesslich verwendet Swissgrid verschiedene Modelle zur Verlustprognose. Dem Team gelang eine neue, optimierte Methode, wobei es auch feststellte, dass die bestehenden Basismodelle besser abschnitten als ML-basierte Modelle.

Regional Energy Information in High Resolution

Dieses Projekt entstand in der Energy Data Working Group und wurde mit viel Liebe zum Detail und viel Kommunikation im Vorfeld vorbereitet. Den politischen Kontext und die Herausforderungen umriss das Team so:

• Die energiepolitischen Ziele sind auf nationaler Ebene bekannt
• Weniger klare Energieziele auf Gemeindeebene
• Welche Gemeinden haben sich energiepolitische Ziele gesetzt?
• Welche Aktivitäten gibt es in den Gemeinden, um die Ziele zu erreichen?

Durch die effiziente Aufteilung ihrer grossen Gruppe in drei Bereiche (Software, Datenanalyse und Politik) konnten sie genaue Ergebnisse zu Aadorf erzielen.

Mapping Swiss PV Power Production

aliunid war die einzige Gruppe, die am Ende der EDH22 einen funktionierenden Prototyp hatte (sie hatte allerdings einen Vorsprung, also keinen Druck). Das Team nahm sich der Challenge an, die gesamte in der Schweiz produzierte PV-Leistung in Echtzeit zu simulieren und zu kartieren, gestützt auf Echtzeitdaten von aliunid und öffentliche Datensätze. Es sah sich vielen Herausforderungen gegenüber, vor allem weil es versuchte, Echtzeitdaten während der Nacht zu betrachten (wenn es kein Sonnenlicht zu messen gibt), was es praktisch unmöglich machte, brauchbare Daten zu erhalten. Seine Erkenntnisse sorgten bei den Schlusspräsentationen für einen heiteren Moment und gaben uns einen Einblick in die vielen Risiken und Herausforderungen, denen jedes unternehmerische Vorhaben begegnen kann.

Energy (Heat Demand) Modelling in Sankt Gallen

Die Stadt St. Gallen wollte ein Modell bauen, um den Wärmebedarf aller Gebäude der Stadt St.Gallen vorherzusagen, und das Modell dann mit dem bestehenden, „handgemachten“ Modell vergleichen. Das gelang hervorragend: Das Team verstand bereits, welche Werkzeuge besser geeignet waren, um seine Ziele zu erreichen, und skizzierte die Partnerschaften, die es fördern möchte.

Eco-Friendliness Score

Allthisfuture schlug diese Challenge vor, weil das Thema Energie im Zentrum der Gesellschaft angekommen ist. Um handeln zu können und Anreize zu erhalten, braucht man einen Richtwert (Score) (so wie ein Fitbit seiner Trägerin sagt, dass sie grossartig unterwegs ist!). Für künftige flexible Tarifmodelle braucht es eine zugrunde liegende Kennzahl. In einem dezentralen, erneuerbaren Energiesystem spielt die Kundschaft eine zunehmend aktive Rolle. Zum Beispiel, indem sie Energie nutzt, wenn erneuerbare Energie reichlich vorhanden ist, und ihren Verbrauch reduziert, wenn sie knapp ist Um der Kundschaft ihr Verbesserungspotenzial aufzuzeigen, möchten wir einen einfachen Score einführen, der auf individuellen Verbrauchsmustern beruht. Dieser Score sorgt für Transparenz und schafft die Grundlage für wirksame Anreizmassnahmen.

Enriching Point Coulds with Meda Data

AXPO war die Hauptpartnerin dieser Challenge: In der dicht besiedelten Schweiz verlaufen Hochspannungsfreileitungen vielfach in der Nähe bestehender Gebäude. Um die Bevölkerung vor nichtionisierender Strahlung zu schützen, wollte dieses Team alle Gebäude in der Nähe von Stromleitungen anhand öffentlich verfügbarer Landschaftsmodelle und des Gebäuderegisters klassifizieren. Die Verknüpfung dieser Daten mit LiDAR-Daten hilft, nicht konforme Bauten zu entdecken und Gebäude zu identifizieren, die besonders vor nichtionisierender Strahlung geschützt werden sollten. Ein ziemliches Unterfangen – unzählige Datenquellen mussten kombiniert, das Volumen der Gebäude berechnet (was viele Ansätze erforderte) und die Datenpunkte mit Datenquellen abgeglichen werden – was den Weg ebnet, die gesammelten Daten mit LiDAR zu kombinieren (aber das ist für das nächste Mal).

E-Mobility Analytics

Rund um die Elektromobilität gibt es heute viel Lärm. Während sich Autohersteller und die ganze Welt dieser Technologie zuwenden, um die Treibhausgasemissionen zu senken, und die Technologie an Fahrt gewinnt, entstehen viele Diskussionen, die widersprüchliche Argumente, Mythen, Annahmen und offene Fragen an die Oberfläche bringen. Davon haben wir reichlich … Was uns fehlt, sind echte Daten und darauf gestützte Fakten, um all diese theoretischen Diskussionen zu untermauern – der Versuch, das Theoretische in die reale Welt zu holen!

Smart-Meter CII Interoperability with Smart-Home

In der CII-Challenge des letzten Jahres zeigte das Team um Herman Hüni, wie die Smart Meter (SM) von 4 Schweizer Verteilnetzbetreibern ihre Energiedaten über ihre lokale Kundenschnittstelle (CII, etwa M-BUS oder DSMR) liefern, indem spezifische IoT-Adapter eingesetzt werden, die die Daten an eine gemeinsame Interoperabilitätsschicht, den MQTT-Broker, weitergeben.

Dieses Jahr erweiterte das Team das Spektrum um weitere SM wie Ensor, Kamstrup und Sagemcom und prüfte weitere. Zudem setzte es einige neue, vom SM gespeiste IoT-Adapter ein, um der Kundschaft der Verteilnetzbetreiber einen einfachen und recht günstigen lokalen Zugang zu ihren Energiedaten zu ermöglichen, und berichtete über die Probleme mit MBUS-HDLC-DLMS-COSEM, DSMR und anderen CII-Typen.

Kurz: Das Team setzte sich zum Ziel, der Kundschaft zu ermöglichen, ihren Energieverbrauch in Echtzeit zu kennen und die ursprünglichen Smart-Meter-Daten statt privater Energiezähler weiterzuverwenden. Viele, für das ungeschulte Auge, komplexe Begriffe und Grafiken später konnte das Team eine Reihe von Einschränkungen klar benennen, etwa teure MBUS-Importadapter, aber auch seine nächsten Schritte (für den nächsten Energy Data Hackday 2023?) – starke Standards etablieren, die Dokumentation verbessern und die Smart Meter der übrigen grossen Verteilnetzbetreiber integrieren. Wir freuen uns darauf!

EMF Walks in Brugg

Dieses Projekt war eine sehr spontane, kreative und unerwartete Darstellung der EMF (elektrischen und magnetischen Felder), die sich in der Stadt Brugg finden lassen. Fazit: Energiedaten sind überall! Das Video gibt es hier.

Danke, und bis zu den Energy Data Hackdays 2023!

Danke an alle Partner, Sponsoren und Teilnehmenden! Wir können es kaum erwarten, euch am 15. und 16. September an der FHNW in Brugg zu sehen!