Ausgangssituation:

Herkömmliche Ansätze zur Erkennung von Anomalien in Grid-Netzen basieren auf der Arbeit der Betreiber in einem Grid-Opartaing-Center. Die Betreiber verwenden nahezu in Echtzeit gesammelte Metriken aus dem Netz, um Anomalien zu bewerten und zu bekämpfen. Der Betreiber muss auf der Grundlage von Erfahrungswerten entscheiden, welche Abhilfemaßnahmen er ergreift, und hat nicht die Möglichkeit, Szenarien in Echtzeit zu simulieren.

Lösung:

Hivemind implementierte eine auf Apache Kafka und Apache Spark basierende Anamolielösung, die nahezu in Echtzeit 3,6 Mio. Datenpunkte pro Sekunde verarbeitet, um Anamolien in den Strom- und Spannungsdatenportalen zu ermitteln und Fingerabdrücke von anomalen Datensätzen für die Simulation eines nachgeschalteten Prognosesystems zu erstellen.

Ausgangssituation :

Das Haupthindernis für die Einführung von E-Fahrzeugen ist die Reichweitenangst und die Verfügbarkeit von Ladestationen. Der Markt für Ladestationen ist sehr heterogen und umfasst allein in Deutschland über 700 Anbieter. Die Qualität der Dienstleistungen und die Verfügbarkeit sind sehr unterschiedlich, was die Erfahrung für E-Fahrer erschwert. Elvah hat eine Bewertungsplattform eingeführt, die es den Nutzern ermöglicht, die Qualität und Verfügbarkeit von Ladestationen über ihre App zu bestimmen.

Lösung:

Hivemind implementierte eine Scoring-Lösung für Elvah, die Echtzeit- und historische Sitzungsdaten für alle Ladepunkte in Mitteleuropa nutzt und auf maschinellem Lernen basierende Vorhersagen verwendet, um Benutzern die Möglichkeit zu geben, die Verfügbarkeit und Qualität von Ladepunkten zu einem bestimmten Zeitpunkt zu bestimmen. Hivemind implementierte die Trainingsmodelle und eine MLOps-Bereitstellungspipeline sowie einen RESt-Endpunkt für die Bereitstellung von zeitnahen Vorhersagen mit Apache Spark, Spark ML und Microservices, die in Kubernetes in AWS ausgeführt werden.