SwarmGrid wendet Schwarmtheorie und Graphentheorie auf Energiezeitreihen an. Statt einzelne Messwerte auf Grenzwerte zu prüfen, beobachtet jede Zeitreihe ihre Nachbarn — und meldet sich, wenn sie sich vom Schwarm löst.
flowchart TD
A[SMARD API\nBundesnetzagentur] -->|Echte Zeitreihendaten\nstündlich| B
B[LightweightGDN\nGraph Deviation Network]
B -->|Schritt 1| C[Topologie lernen\nKorrelationsmatrix → Graph]
B -->|Schritt 2| D[Training\nRidge Regression pro Knoten]
B -->|Schritt 3| E[Anomalie-Score\nAbweichung vom Nachbarverhalten]
E --> F[Schwarm-Empfehlungen\nWelcher Knoten · Was tun]
E --> G[SHAP-Erklärung\nWarum ist dieser Knoten anomal?]
F --> H[Streamlit Dashboard\nLive-Visualisierung]
G --> H
H -->|iframe embed| I[Questra Dashboard\nSeven2one]
style A fill:#0d3a5a,color:#38bdf8,stroke:#38bdf8
style B fill:#0a1e35,color:#2dd4bf,stroke:#2dd4bf
style H fill:#0d1829,color:#34d399,stroke:#34d399
style I fill:#0a3a1a,color:#34d399,stroke:#34d399
Klassisch: Zeitreihe X > Grenzwert → Alarm
→ Erkennt nur was man schon kennt
SwarmGrid: Zeitreihe X weicht von Nachbarn Y, Z ab → Score
→ Erkennt auch unbekannte Anomalien
→ Erklärbar durch SHAP
Beispiel: Erdgas läuft bei 8.000 MW — absolut unauffällig. Aber alle Nachbarn (Last, Pumpspeicher, Wind) zeigen ein Muster das zu 15.000 MW passen würde. Score = 2.6 → KRITISCH.
| Komponente | Technologie | Zweck |
|---|---|---|
| Daten | SMARD (Bundesnetzagentur) | Echte deutsche Stromdaten |
| Graph | NetworkX | Topologie-Modellierung |
| ML | scikit-learn Ridge | GDN-Predictor pro Knoten |
| XAI | SHAP LinearExplainer | Erklärbare Anomalie-Scores |
| UI | Streamlit + Plotly | Live-Dashboard |
| Deploy | Streamlit Community Cloud | Kostenlos, iframe-fähig |
pip install -r requirements.txt
streamlit run app.py