Cloud-Native Netz-Automatisierung
Serverless-Pipelines und Digital Twins für Redispatch 3.0.
Serverless Netz-Compliance-Pipeline
Neu 2026Automatisierung von VDE-AR-N 4110 Spannungsstabilitätsprüfungen mit Cloud-Native-Architektur.
Die Innovation
Traditionelle Netzstudien sind manuell. Diese Pipeline löst physikbasierte Simulationen automatisch über AWS S3 & Lambda aus und ermöglicht "Cloud-Bursting" für massive Szenarioanalysen ohne On-Premise-Hardware.
$ aws lambda invoke --function vde4110-check
> INIT: Pandapower Engine laden...
> INGEST: 'berlin_grid_v2.json' von S3 heruntergeladen
> PHYSICS: Newton-Raphson Leistungsfluss ausführen...
> CHECK: VDE-AR-N 4110 Konformität
[ALERT] Spannungsverletzung an Bus 42 (0.88 p.u.)
> ACTION: Verletzung in DynamoDB protokolliert
_
<cim:Terminal rdf:ID="Term_45A">
<cim:Terminal.ConductingEquipment
rdf:resource="#Trafo_Berlin_1"/>
<cim:ACDCTerminal.connected>true</...>
</cim:Terminal>
<!-- Interoperability Layer -->
Hybrid Netz-Steuerungs-Engine (CIM)
ForschungEine Python-Engine zum Parsen von IEC 61970 (CIM) Datenmodellen und Ausführen von Fuzzy-Logic Volt-VAR-Steuerung.
Warum das wichtig ist
Deutsche TSOs setzen auf das Common Information Model (CIM) für Datenaustausch. Diese Engine zeigt die Fähigkeit, komplexe XML-Netzdefinitionen zu parsen und eigene Steuerungslogik anzuwenden, und löst das Interoperabilitätsproblem.
Aktuelle Innovation & Zukunftsvision
Verbindung von technischer Exzellenz mit menschenzentrierter Wirkung
Gerechter Ausbau der Ladeinfrastruktur in Berlin
Eine datengestützte geospaziale Optimierungspipeline zum Ausgleich von Abdeckung und räumlicher Gerechtigkeit in Berlins EV-Ladeinfrastruktur.
Die Herausforderung
Die öffentliche Ladeinfrastruktur für Elektrofahrzeuge (EV) ist weitgehend nachfrageorientiert, was räumliche Ungleichheiten verstärkt. Dies schafft ein „Henne-Ei“-Problem, bei dem fehlende Infrastruktur die EV-Akzeptanz in unterversorgten Gebieten hemmt.
Unsere datengestützte Lösung
Wir implementierten ein multi-objektives NSGA-II-Modell in Python, um Abdeckung und räumliche Gerechtigkeit auszugleichen und den Gini-Koeffizienten von EVs pro Ladepunkt zu minimieren. Dieser Ansatz bietet Stadtplanern verschiedene Pareto-optimale Einsatzstrategien.
Meine Rolle & Zeitplan
- Lead Data Scientist & Geo-Analyst
- NSGA-II Algorithmus-Entwicklung
- Design der Gerechtigkeitsmetriken (Gini)
- Forschung: 6 Monate (2025)
- Modellentwicklung: 4 Monate
- Validierung & Analyse: 2 Monate
Reduktion des Gini-Koeffizienten
Mehr Lader in Außenbezirken
Anstieg lokaler Zugänglichkeit
Philosophie in Aktion
Das Ziel ist nicht nur, mehr Ladestationen zu bauen, sondern sie strategisch so zu platzieren, dass ein gerechter Zugang und nachhaltige urbane Mobilität gefördert werden.
Studie ansehen
Netzintegration des Kinangop Windparks
Eine dynamische Spannungsstabilitätsanalyse zur Integration von Kinangop-Windkraft in das kenianische 59-Bus-Nationalnetz.
Die Herausforderung
Das kenianische Stromnetz musste die intermittierende Natur der Windkraft aufnehmen und gleichzeitig die Systemstabilität aufrechterhalten. Die Herausforderung bestand darin, sicherzustellen, dass Spannungsschwankungen durch Winderzeugung nicht das gesamte Netz destabilisieren.
Unsere datengestützte Lösung
Ich entwickelte eine umfassende dynamische Spannungsstabilitätsanalyse mit DIgSILENT PowerFactory, um das gesamte Stromsystem zu modellieren und Spannungsschwankungen zu simulieren und zu mindern.
Meine Rolle & Zeitplan
- Netzanalyst (Power Systems Analyst)
- Lead für Netzstabilitätsmodellierung
- Verfasser technischer Berichte
- Systemmodellierung: 4 Monate (2015)
- Simulation & Analyse: 3 Monate
- Dokumentation: 1 Monat
Verbesserte Netzstabilität
Saubere Energie integriert
Haushalte profitiert
Wichtige Lektion
Dieses Projekt lehrte mich, dass Resilienz nicht nur für Stromleitungen gilt – sondern für den Zugang von Menschen zu lebenswichtigen Dienstleistungen.
Technischen Bericht lesenDigitalization & Automation
SCADA integration, predictive maintenance, and IoT telemetry.
KI-gestützte vorausschauende Wartung
Ein maschinelles Lernsystem zur Vorhersage von Geräteausfällen in der geothermischen Stromerzeugung, das Betriebskosten senkt und die Anlagenverfügbarkeit erhöht.
Die Herausforderung
Geothermiekraftwerke verzeichneten unerwartete Geräteausfälle, was zu kostspieligen Ausfallzeiten führte.
Unsere Lösung
System zur vorausschauenden Wartung mit Machine Learning Algorithmen zur Mustererkennung.
Meine Rolle & Zeitplan
Rolle: Machine Learning Engineer & Datenpipeline-Architekt
Zeitplan: 6 Monate (2015)
Ausfallzeit ↓
Ersparnis/Jahr
Genauigkeit
Lastverteilungssystem für das Gesundheitswesen
Anwendung von Stromnetz-Prinzipien zur Optimierung der Gesundheitsversorgung im ländlichen Kenia.
Die Herausforderung
Ländliche Gesundheitseinrichtungen verzeichneten ungleiche Patientenlast und lange Wartezeiten.
Unsere Lösung
Lastverteilungsalgorithmus, der Patientenströme wie elektrischen Strom behandelt.
Meine Rolle & Zeitplan
Rolle: Full-Stack Developer & Systemarchitekt
Zeitplan: 6 Monate (2023)
Wartezeit ↓
Ressource ↑
Patienten/Mo
Full-Stack Vorteil
Viele Berater glänzen in einem Bereich. Ich verbinde Investitionsanalyse mit operativer Umsetzung und liefere das Gesamtbild, das Investoren und Startups für den Erfolg benötigen.
Fallstudie anfordernBeratung für Climate Tech Investitionen
Verbindung von Venture-Capital-Analysen mit Expertise im Infrastrukturausbau zur Risikominimierung von Climate‑Tech‑Investitionen.
Die Herausforderung
Climate Tech steht vor einer Lücke: Investoren fehlt oft die Umsetzungsexpertise, während Infrastrukturexperten der Zugang zum Kapitalmarkt fehlt. Diese Diskrepanz verlangsamt den Klimaschutz und verschwendet vielversprechende Technologien.
Mein Ansatz
Durch meine Externship bei Energy Innovation Capital lerne ich integrierte Frameworks kennen, die Startups durch mehrere Linsen bewerten: Investitionspotenzial, operative Machbarkeit und Einsatzstrategie.
Meine Rolle & Zeitplan
- Investment Analyst Extern
- Technische Due Diligence Leitung
- Berater für Einsatzstrategien
- Externship: 3 Monate (2025)
- Startup-Analyse: 5+ Unternehmen
- Entwicklung von Investitionsthesen
Startups analysiert
Investitionsthesen
Analysetiefe
Premium-Fallstudien
Fortgeschrittene Projekte und sensible Implementierungen - Details auf Anfrage
Vollständige Fallstudie auf Anfrage verfügbar
Beinhaltet technische Architektur, Implementierungsdetails und Leistungsanalyse Fallstudie anfordernErweiterte Netzoptimierung mit KI-gestützter Lastprognose
Eine umfassende Smart-Grid-Lösung mit Machine-Learning-Algorithmen für prädiktives Lastmanagement in Kenias nationaler Strominfrastruktur.
Meine Rolle & Engagement
Lead AI Engineer & Systemarchitekt
6-monatiges Enterprise-Projekt (2023)
Projekt-Highlights (Vorschau)
- Reduzierte Netzinstabilitätsvorfälle um 32%
- Verbesserte Lastprognosegenauigkeit auf 94,7%
- Implementiert über 15 große Umspannwerke
- Integration mit bestehenden SCADA-Systemen
Vorschau verfügbar
Hover für DetailsDetaillierte Implementierungsanleitung auf Anfrage
Beinhaltet Systemarchitektur, Sensorintegration und ROI-Analyse Implementierungsdetails anfordern
Vorschau verfügbar
Hover für DetailsIndustrielle IoT-Plattform für Fertigungsexzellenz
Enterprise-grade IoT-Lösung für Echtzeit-Monitoring und Optimierung von Fertigungsprozessen über mehrere Standorte.
Meine Rolle & Engagement
IoT-Plattform-Architekt & Lead Developer
8-monatige Multi-Phase-Impl. (2022-2023)
Projekt-Highlights (Vorschau)
- Erhöhte Gesamtanlageneffektivität um 28%
- Reduzierte ungeplante Ausfallzeiten um 45%
- Vernetzte 500+ Sensoren über 3 Standorte
- Echtzeit-Dashboard mit prädiktiven Warnungen