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

Hellmuth Frey
h.frey@enbw.com

EnBW

veit-hagenmeyer

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

  • 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 - Detektion und Bewertung von Anomalien in Graphen

    Eine Anomalie ist allgemein als eine Abweichung von der Norm und dem erwarteten Verhalten definiert. Solche Anomalien weisen oft auf Vorfälle und Konstellationen hin, die sofortige Beachtung und spezielle Reaktion bedürfen. Im Bezug auf Graphdaten können Anomalien als Subgraphen modelliert werden, die Knoten mit signifikant von der Norm abweichenenden Attributwerten und Kantenverteilungen besitzen.

    Dieses Projekt ist die Fortsetzung des Software Campus Projekts QuestMiner, im Zuge dessen ein flexibles Framework für dynamisch heterogene Graphen entwickelt wird, das in der Lage ist kontinuierlich Anomalien zu erkennen und zu bewerten. Dabei soll das Framework für den Echtzeiteinsatz konzipiert werden und riesige Datenmengen verarbeiten können. Zusätzlich sollen identifizierte Anomalien verwendet werden, um ungewöhnliche Events im Datenstrom zu lokalisieren.

    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

    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

  • 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