Zusammenfassung
Der vorliegende Beitrag diskutiert an einem konkreten Forschungsprojekt, wie aus den Überwachungsdaten von Photovoltaikanlagen Algorithmen entwickelt wurden, die zukünftig die automatisierte Fehlererkennung und damit eine verbesserte Betriebsführung ermöglichen können. Um von Daten zum optimierten Prozess zu gelangen, sind vier Stufen notwendig. Nach der Datenintegration folgen die Qualitätssicherung, dann die Analyse und schließlich die Umsetzung in eine betrieblich nutzbare Anwendung. Für die Entwicklung valider, praxisrelevanter Modelle stellte es sich als unumgänglich heraus, dass bereits frühzeitig die datengenerierenden Prozesse und damit auch die physikalischen Grundlagen der Anlagen nicht nur von den Prozessexperten, sondern genauso von den Data Scientists verstanden wurden: Es genügt eben nicht, Daten zu konsolidieren und in ein Analysetool zu stecken, sondern die Wertschöpfung aus Daten gelingt nur, wenn eine domänen‐ und kompetenzübergreifend interdisziplinäre Zusammenarbeit erfolgt, in der beide Seiten bereit sind, kontinuierlich voneinander zu lernen.
Erfahrungen aus dem BayINVENT‐Projekt „PV Smart: Automatisierte Fehlererkennung in Solaranlagen“
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Vgl. Doleski (2016, S. 12).
- 2.
Vgl. Kitchin (2014).
- 3.
Die smartblue AG bietet ein hardwareunabhängiges Überwachungsportal für die technische Betriebsführung von PV‐Anlagen. STAT‐UP ist ein Beratungsunternehmen mit Spezialisierung auf statistisches Consulting und Data Science. Beide Unternehmen sitzen in München. Günter Seel, Vorstand der smartblue AG, hat zahlreiche wertvolle Beiträge zum vorliegenden Kapitel geleistet.
- 4.
Vgl. Kasten (1965).
- 5.
Vgl. Bird und Riordan (1986).
Literatur
Bird, R. E., & Riordan, C. (1986). Simple Solar Spectral Model for Direct and Diffuse Irradiance on Horizontal and Tilted Planes at the Earth’s Surface for Cloudless Atmospheres. J. Clim. & App. Meteor, 25, 87–97.
Doleski, O. D. (2016). Utility 4.0 – Transformation vom Versorgungs- zum digitalen Energiedienstleistungsunternehmen. Essentials. Wiesbaden: Springer Vieweg.
Kasten, F. (1965). A New Table and Approximation Formula for the Relative Optical Air Mass. Theoretical and Applied Climatology, 14(2), 206–223.
Kitchin, R. (2014). The Data Revolution: big data, open data, data infrastructures & their consequences. London: Sage.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2017 Springer Fachmedien Wiesbaden GmbH
About this chapter
Cite this chapter
Schüller, K., Fritsch, S. (2017). Wie man Wert aus Smart Data schöpft. In: Doleski, O. (eds) Herausforderung Utility 4.0. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-15737-1_25
Download citation
DOI: https://doi.org/10.1007/978-3-658-15737-1_25
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-15736-4
Online ISBN: 978-3-658-15737-1
eBook Packages: Computer Science and Engineering (German Language)