Zur Hauptnavigation

 

Deep Learning for Distinct Heating and Cooling: Entwicklung modernster maschineller Lernverfahren für die hochgenaue Fernwärmelastprognose

 

Eckdaten

 
Projektlaufzeit:01.04.2020 - 31.03.2023
Projektleitung:Prof. Dr.-Ing Matthias Finkenrath
Projektteam:M.Eng. Till Faber
Partner:Fernwärme Ulm GmbH, Ulm
ZAK Energie GmbH, Kempten
AGFW e.V., Frankfurt

 

Projektbeschreibung

 

Eine genaue Wärmelastprognose ermöglicht Wärmeversorgern eine besonders wirtschaftliche, ökologische, versorgungssichere und netzdienliche Anlageneinsatzplanung ihrer Wärmekraftwerke,  Energiespeicher und Power-to-X-Anlagen. Beispiele für Effizienzvorteile durch verbesserte Lastprognosen sind die Vermeidung des Einsatzes von fossil gefeuerten Spitzenlastkesseln und die Möglichkeit der verstärkten Integration erneuerbarer Energien in Fernwärmenetze. In der Praxis kommen bislang für die Fernwärmelastprognose in der Regel nur einfache Prognoseverfahren mit vergleichsweise hohen Unsicherheiten zum Einsatz. Neue Methoden aus dem Bereich der künstlichen Intelligenz (KI), insbesondere des maschinellen Lernens und sogenannten „Deep Learning“, bieten zusammen mit höheren Rechnerleistungen und größeren verfügbaren Datenmengen erhebliche Verbesserungspotenziale. Das Forschungsprojekt DeepDHC greift vielversprechende Ansätze aus diesem Bereich auf, um eine deutlich verbesserte Lastprognose zu entwickeln. Durch die Verwendung tatsächlicher Betriebsdaten und realer Lastgänge, die durch die beteiligten Fernwärmeversorger bereitgestellt werden, können die Verfahren praxisnah entwickelt und validiert werden. Die Bewertung des wirtschaftlichen Nutzens der verbesserten Lastprognose erfolgt mithilfe eines ganzheitlichen numerischen Anlageneinsatzplanungsoptimierungsmodells, in dem der Anlagenpark und das Wärmenetz eines beteiligten Fernwärmeversorgers abgebildet ist.

Übersicht DeepDHC PDF

 

Veröffentlichungen

 

Veröffentlichung aus Vorgängerprojekt KWK-Flex:
Faber, Till; Groß, Johannes; Finkenrath, Matthias (2018): Innovative Lastprognosen mit »Deep Learning«-Methoden. In: EuroHeat&Power, 47. Jg, Heft 1-2, S. 35-38. PDF

 

Förderung

 

 

 

 

 

 

 

 

 

 

Schattenwurf