VeDS
Projekt
EnergieDock ✕ Universität zu Lübeck und NAECO Blue
Bei dem neuen Projekt „Vertrauenswürdiger Datenaustausch für verteilte Stromnetze“ (VeDS) verfolgen das Unternehmen EnergieDock GmbH und die Universität zu Lübeck mithilfe des Softwareentwicklers NAECO Blue das Ziel, sicherheitsrelevante Bausteine zu erforschen, um später die Geschäftsmöglichkeiten für Aggregationsplattformen zur Bündelung flexibler Endkundenanlagen wie E-Auto, Wärmepumpe und Batteriespeicher zu erweitern.
Die Herausforderung
Flexible Verbrauchsanlagen wie E-Autos und Wärmepumpen sowie dezentrale Speichertechnologien spielen durch die Möglichkeit der Anpassung ihres Energiebezugs eine immer wichtigere Rolle bei der Systemintegration der Erneuerbaren Energien. Je präziser Produktion und Verbräuche vorhergesagt und aufeinander abgestimmt werden können, desto effizienter ist die Lösung sowohl für die Energieproduzenten als auch für die Abnehmer der Energie.
Die Informationen über den Strombezug eines Privatkunden lassen aber Rückschlüsse auf dessen Verhalten zu. Nun stellt sich die Frage, wie ein sicherer, transparenter und vertrauenswürdiger Datenaustausch stattfinden kann, der sowohl den Anforderungen des Energiesystems als auch den Bedürfnissen der Endkunden gerecht wird.
Unsere Lösung
Da es sich bei den Daten, die zwischen Erzeugern, Verbrauchern und Speichern ausgetauscht werden, größtenteils um personenbezogene Daten handelt, bieten sie Unternehmen tiefe Einblicke in das private Verhalten von Endkunden sowie in Produktionsprozesse, Auslastung etc. von Unternehmen. Dem soll durch die Absicherung der Informationsflüsse durch Software-Auditierung begegnet werden. Diese Auditierung kann mithilfe von Codeanalysewerkzeugen effizient sichergestellt werden.
Ebenso ist eine effektive Vorhersage von Erzeugungs- und Verbrauchsmustern essentiell, um vorhandene Zwischenspeicher und Lastmanagements optimal zu nutzen. Zur Vorhersage des Verbrauchsverhaltens verschiedener Verbraucher eignen sich KI-Techniken, die aus den Nutzungsdaten aller Beteiligten lernen. Datenschutzbedenken in Bezug auf persönliche Nutzungsmuster könnten ein Hindernis für ein notwendigerweise breit angelegtes Lernen darstellen. Diese werden durch Privacy-Preserving Federated Learning adressiert, welches die Nutzungsdaten des Einzelnen schützt. Ende-zu-Ende-Sicherheit kann durch eine Kombination von kryptographischen Methoden und hardwarebasierten Sicherheitsankern sowie einer sicheren Umgebung implementiert werden. Damit werden Zero-Trust-Lösungen möglich, d.h. Lösungen, bei denen sich die einzelnen Komponenten zunächst nicht vertrauen müssen und dennoch sicher Daten austauschen können.