Smart Infrastructure

Data Innovation Community “Smart Infrastructure”

Am 3. März beim 8. SDIL Strategy-Board-Meeting wurde die neue DIC “Smart Infrastructure” beschlossen. Dieses verbindet die Inhalte der bisherigen DICs “Smart Cities” und “Energie” in Form zweier Schwerpunkte dieser neuen DIC. So können bisherige thematische Überlappungen beider DICs zukünftig stärker als Synergien genutzt werden.

Schwerpunkt: “Energie”

Die Energiebranche steht vor einem grundlegenden Wandel. Die Umstellung auf erneuerbare Energien, die von der EU geforderte Installation von Smart Meter, die Entwicklung neuer, kundenzentrierter Geschäftsmodelle: Aus diesen Veränderungen ergeben sich für die Energiebranche ganz neue Herausforderungen an die IT-Infrastruktur. Mittels der Analyse umfangreicher strukturierter und unstrukturierter Daten, wie sie beispielsweise über Apps auf mobilen Endgeräten, Internetportalen und soziale Medien generiert werden, können Energieversorger künftig Geschäftsprozesse optimieren und neue Geschäftsmodelle entwickeln. So ermöglichen Big-Data-Analysen beispielsweise bessere Verbrauchsprognosen, mit denen Versorger den Einkauf von Energie genauer als bisher steuern können. Dank Big Data können auch Tarife besser auf verschiedene Kundengruppen zugeschnitten oder unzufriedene Kunden leichter erkannt werden, was letztlich die Kundenbindung erhöht.

Im Schwerpunkt “Energie” sollen wichtige datengetriebene Aspekte im Bereich Energie erforscht werden, bspw. die bedarfsgesteuerte Einstellung von Tarifen auf Basis von Smart Meter-Daten.

Der Schwerpunkt “Energie” richtet sich daher an alle interessierten Unternehmen und Forschungseinrichtungen, die bzgl. dieser Aspekte gemeinsame Forschung betreiben wollen. Dies schließt sowohl Anwenderunternehmen der Energiebranche mit ein als auch Unternehmee n der Automatisierungsbranche sowie der IT-Branche.

Schwerpunkt: “Smart Cities”

Auch in den Bereichen Stadtentwicklung und Verkehrsmanagement ergeben sich durch die Auswertung von Big Data völlig neue Möglichkeiten. Mithilfe von integrierten Lösungen für die Transportkommunikation und intelligenter Systeme für das Verkehrsmanagement kann der Verkehr in schnell wachsenden dichtbesiedelten Stadtgebieten besser bewältigt werden. Die Menge an Daten, die in Städten unter anderem durch U-Bahnen, Busse, Taxis und Verkehrskameras generiert wird, ist immens. Mit den existierenden IT-Landschaften lassen sich oftmals kaum Vorhersagen oder erweiterte Datenanalysen durchführen, um verschiedene Verkehrs- und Transportszenarien vorausschauend durchzuspielen. Aber nur so lassen sich entsprechende Dienstleistungen und die weitere Städteplanung verbessern. Werden Informationen in Echtzeit analysiert, richtig ausgewertet und in
Kontext mit historischen Daten gesetzt, können Staus und Gefahren im Straßenverkehr frühzeitig erkannt und Verkehrsaufkommen, Emissionen und Fahrzeiten signifikant gesenkt werden.

In der Data Innovation Community “Smart Infrastructure”, Schwerpunkt “Smart Cities” sollen wichtige datengetriebene Aspekte im Bereich des urbanen Lebens erforscht werden, bspw. die Verkehrssteuerung, aber auch die Abfallentsorgung oder auch der Katastrophenschutz.

Der Schwerpunkt “Smart Cities” richtet sich daher an alle interessierten Unternehmen und Forschungseinrichtungen, die bzgl. dieser Aspekte gemeinsame Forschung betreiben wollen, genauso aber auch an öffentliche Stellen. Dies schließt sowohl Anwenderunternehmen mit ein als auch Unternehmen der Automatisierungsbranche sowie der IT-Branche.

DIC-Leitung

Prof. Dr. Veit Hagenmeyer
veit.hagenmeyer@kit.edu

Karlsruhe Institute of Technology

veit-hagenmeyer

Hellmuth Frey
h.frey@enbw.com

EnBW

Zu einer Mitarbeit in der Data Innovation Community oder Teilnahme an deren Treffen kontaktieren Sie bitte das DIC per E-Mail unter infrastructure@sdil.de.

Mitglieder können auf die internen Foren im SAP Jam zugreifen.

 

 

Aktuelle Projekte

kit-logo

Bedarfsanalyse für energetische Baumaßnahmen auf Basis historischer Infrastrukturdaten

Das KIT-FM (Facility Management) hat über mehrere Jahre Daten gesammelt, die von einem immensen Wert sind: einerseits für die Betriebsführung und andererseits für die Planung sowie Durchführung zukünftiger Infrastrukturentwicklung. Diese Daten sind auch für die Forschung von hohem Interesse.Zum einen soll untersucht werden, wie aus den bestehenden Infrastrukturdaten mit Smart-Data-Methoden präzisere Aussagen für Betriebsführung und Infrastrukturplanung getroffen werden können. Zum anderen soll die Nutzbarkeit der Daten für Projekte im Bereich Forschung und Innovation vorangetrieben werden.

Lesen Sie mehr


BigGIS_logo

BigGIS: Fusion der Geo-Big Data

Zunehmende Datenmengen und immer komplexere Berechnungsmodelle erfordern schnelle und robuste Verfahren. Dies ist das Thema des BigGIS Projekts, in welchem integrierte Verfahren zum Umgang mit Unsicherheit im (Geo)-BigData-Zusammenhang entwickelt werden. Zusammen mit dem SDIL werden hierbei am Beispiel von Temperaturdaten passende Algorithmen implementiert, getestet und weiterentwickelt.

Lesen Sie mehr


QuestMiner – Detection and evaluation of anomalies in graphs

Eine Anomalie wird im Allgemeinen als Abweichung von der Norm und vom erwarteten Verhalten definiert. Solche Anomalien weisen häufig auf Vorfälle und Konstellationen hin, die sofortige Aufmerksamkeit und Reaktion erfordern. In einem sozialen Netzwerk kann eine Anomalie auf spontane Anziehungskräfte wie Demonstrationen hinweisen. Ihre frühzeitige Erkennung ist entscheidend für die weitere Steuerung. In Bezug auf Graphendaten können Anomalien als Teilgraphen modelliert werden, bei denen die Knoten signifikant von den Normattributwerten und Kantenverteilungen abweichen. Bei dynamischen Graphen können auch historische Verhältnisse berücksichtigt werden.

Ziel des Projektes ist es, eine Methode für dynamische heterogene Graphen zu entwickeln, mit der Anomalien kontinuierlich erkannt und ausgewertet werden können. Dabei sollte das Verfahren für den Echtzeit-Service ausgelegt sein und permanent mit einem Strom neuer Daten versorgt werden. Darüber hinaus sollte die Methode skalierbar sein und große Datenmengen verarbeiten können. Dazu ist nicht nur ein speziell an dieses Problem angepasster Algorithmus erforderlich, sondern es werden auch Index- und Datenstrukturen unterstützt, die einen effizienten Zugriff auf historische Daten ermöglichen. Die Anwendbarkeit und Praktikabilität des Verfahrens sollte im Verlauf des Projekts anhand einer prototypischen Implementierung beurteilt werden, für die wir die SDIL-Plattform nutzen wollen.

Lesen Sie mehr


Stadt_Augsburg

Analytics für ein Smart Air Quality Network

Das Projekt Smart Air Quality Network (SmartAQnet), das als Verbundprojekt im Rahmen des datenbasierten FuE-Förderprogramms „Modernitätsfonds“ des BMVI mfund gefördert wird, hat das Forschungsziel, ein Gesamtsystem zur Erfassung, Visualisierung und Vorhersage der räumlichen Verteilung von Luftschadstoffen in städtischen Atmosphären zu entwickeln.

Lesen Sie mehr


software_ag-logo

Häfen als intelligente Logistikdrehkreuze

Dieses Projekt ist Teil des Transforming-Transport-EU-Leuchtturmprojekts. Das Transforming-Transport-Projekt wird in einer realistischen, messbaren und replizierbaren Weise die transformativen Effekte zeigen, die Big Data für den Mobilitäts- und Logistikmarkt haben.

Lesen Sie mehr


siemens-logo

Verbesserung der Verkehrsflussvorhersage mit Umgebungsmodellen

In diesem Projekt wird eine Verkehrsflussvorhersage mit Umgebungsmodellen für Verkehrsnetze vorgeschlagen. Heutzutage berücksichtigt die Verkehrsflussvorhersage vor allem Informationen von einzelnen, spezifischen Sensoren. Allerdings könnten Informationen von Nachbar-Sensoren und anderen Sensoren im Verkehrs-Subnetz genutzt werden, um moderne Prognosemodelle zu verbessern.

Lesen Sie mehr


sap-logo

Untersuchung verschiedener Big Data Plattformen hinsichtlich ihrer Performance bei forensischer Datenanalyse

Das LKA Baden-Württemberg weist pro Fall einen Datenbestand von bis zu 150 TB auf. Performance ist hier ein kritischer Faktor. Deshalb sind im Voraus Recherchen notwendig, die sich damit auseinandersetzen, welche Plattform in einem solchen Kontext genutzt werden sollte. Im Rahmen des Projekts sollen Prototypen gebaut werden. Mit diesen werden dann Laufzeit- und Performance-Analysen auf verschiedenen Plattformen durchgeführt.

Lesen Sie mehr


kit-logo

GPU + In-Memory-Datenmanagement für Big Data-Analysen

Die weltweite Einführung von Smart Metern eröffnet ein neues Geschäftsparadigma für Versorgungseinrichtungen mit Datenerfassung/-Transaktion bei derart hohem Volumen und hoher Geschwindigkeit. Im Rahmen dieses Projekts entwickeln wir auf Basis von In-Memory-Datenmanagement und paralleler Datenverarbeitung in der GPU eine Werkzeugkette. Unser Ziel ist es, die Rechenleistung der GPU sowie den hohen Durchsatz und die niedrige Latenz von In-Memory Datenbanken zu nutzen für die Entwicklung einer adäquaten Big Data-Analyseplattform. Auch wenn das Projekt auf den Anwendungsfall von Smart-Meter-Daten ausgerichtet ist, lässt sich die Werkzeugkette ebenso auf Big Data-Analysen in anderen Bereichen anwenden.

Lesen Sie mehr


sap-logo

Assoziationsregeln für Hochdimensionale Stammdaten

Es gibt mehrere Herangehensweisen für Assoziationsregeln in großen Datensätzen, allerdings kaum bekannte Ansätze für Assoziationsregeln im Bereich der Stammdaten (engl. Master Data). Es ist wichtig, darauf zu verweisen, dass Stammdaten als einzige Quelle für Geschäftsobjekte im gesamten Unternehmen heutzutage jedoch ein Schlüsselfaktor sind. Das Ziel dieses Projekt ist es, mittels vorgeschlagener Validierungsregeln zu bewerten, inwiefern die Anwendung von Ansätzen wie denen der Assoziationsregeln den Experten für Stammdaten als mögliche Unterstützung dienen können.

Lesen Sie mehr


VDAR

VDAR: Verteilte Dezentrale Autonome Regelungssysteme für Dezentrale Energiemärkte

Das VDAR-Projekt stammt aus dem vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Rahmenprojekt „Software Campus“. Im Rahmen des Forschungsvorhabens „VDAR“ wurden Regelungskonzepte erforscht, die das Wirtschaftssystem des Strommarktes und das physikalische System des Stromnetzes in einem entkoppelten Regelkreis zusammenbringen. Mit dem Ziel letztendlich die Verfügbarkeit der Energie zu verbessern.

Lesen Sie mehr