Fernwärmenetze
Künstliche Intelligenz soll Lastprognosen verbessern
Dass die Hochschule Kempten und der Fernwärmeversorger „Fernwärme Ulm“ seit Jahren gut zusammenarbeiten, zahlt sich für beide im aktuellen Forschungsvorhaben DeepDHC aus: Ulm stellt den Forschenden umfangreiche Daten zur Verfügung, die Wissenschaftler nutzen diese, um einen flexibleren und effizienteren Einsatz der Fernwärme-Anlagen zu ermöglichen.
Dazu ist eine zuverlässige Vorhersage der anstehenden Wärmelasten unerlässlich. Steht diese zur Verfügung, können KWK-Anlagen effizient mit Wärmespeichern und Power-to-Heat-Technologien wie Großwärmepumpen und Direkterhitzern gekoppelt werden. Um die optimale Fahrweise der Anlagen herauszufinden, hatten die Wissenschaftlerinnen und Wissenschaftler schon im Vorgängerprojekt verschiedene Varianten am Computer simuliert. Die Ergebnisse des Projektes „Hochflexible stromgeführte Kraft-Wärme-Kopplung durch thermische Speicher und Power-to-Heat-Technologien“ (KWK-Flex) kann die Fernwärmebranche jetzt nutzen: Die Hochschule für angewandte Wissenschaften Kempten stellt einen Anwenderleitfaden zur Verfügung.
"Der Kontext muss verstanden werden"
Mit dem kürzlich gestarteten Folgeprojekt DeepDHC gehen die Forschenden nun einen Schritt weiter. Sie setzen dabei auf künstliche Intelligenz: „Wir nutzen hier unter anderem Verfahren, die aus der Spracherkennung bekannt sind“, so der Projektleiter Professor Dr. Matthias Finkenrath von der Hochschule Kempten. „Das Besondere an diesen Methoden ist, dass sie mit hoher Effizienz aus großen Datensätzen Muster herausfiltern und hiermit Prognosen erstellen können. Auch der Kontext der Daten muss verstanden werden: So gibt es zum Beispiel Zusammenhänge zwischen dem jeweiligen Wochentag und dem Wärmebedarf oder –verbrauch.“
Bei ihren Untersuchungen kombinieren die Wissenschaftler verschiedene Verfahren: Einerseits konventionelle maschinelle Lernverfahren, die auf Entscheidungsbäumen basieren (Abb.1). Zusätzlich kommen künstliche neuronale Netze zum Einsatz. Hierfür wird ein neuronales Netz mit zurückliegenden Messdaten trainiert, so dass das trainierte Modell anhand der Eingangsgrößen die abhängige Ausgangsgröße innerhalb einer gewissen Genauigkeit bestimmen kann (Abb.2). Um bestmögliche Lastvorhersagen zu erreichen, werden die Verfahren zur Lastprognose durch ein weiteres maschinelles Lernverfahren kombiniert und gewichtet.
Prognosemodelle sparen Kosten
Die Wissenschaftler nutzen bei ihren Untersuchungen historische Daten der Fernwärme Ulm. Mit diesen und den Modellen aus dem Vorgängerprojekt KWK-Flex können sie testen, wie sich die neuen Prognosemöglichkeiten auch finanziell auswirken. „Bei Fernwärmeversorgern steigt der Druck, Kosten einzusparen. Dies hängt auch mit den steigenden CO2-Preisen zusammen. Fossile Energieträger werden teurer und die Einspeisung erneuerbarer Energie dadurch attraktiver“, so Finkenrath. Durch die Beteiligung des Fernwärmeversorgers ZAK Energie GmbH und des Branchenverbands für Wärme, Kälte und KWK AGFW fließen weitere Erfahrungen in das Projekt ein.
Test in Leitstand geplant
Aktuell bereiten die Expertinnen und Experten alte Daten auf und führen Programmierarbeiten durch. Danach werden sie testen, wie belastbar die entwickelten Verfahren sind. Um hier unterschiedliche Anwendungsfälle untersuchen zu können, simulieren sie verschiedene Typen von Fernwärmenetzen. Langfristig sollen die Ergebnisse im Leitstand der Fernwärme Ulm in der Praxis getestet werden. (bs)
