Zur Hauptnavigation



KWK-Flex - Hochflexible stromgeführte Kraft-Wärme-Kopplung durch thermische Speicher und "Power-to-Heat"-Technologien

Eckdaten

 
Projektlaufzeit:01.10.2016 - 31.03.2020
Projektleitung:Prof. Dr.-Ing. Matthias Finkenrath
Prof. Dr.-Ing. Wolfgang Mayer
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.

Projektneuigkeiten


Im Projekt KWK-Flex wurde das Verfahren „deepDHC“ (Deep Learning for District Heating and Cooling) entwickelt. Das Verfahren erlaubt, Lastverläufe in Wärme- oder Kältenetzen bzw. Querverbundsystemen unter Verwendung moderner maschineller Lernverfahren (z.B. vom Typ Long-Short-Term-Memory) mit höchster Genauigkeit zu prognostizieren. Die Methode wurde zum europäischen Patent angemeldet. Weitergehende Informationen erhalten Sie im nachfolgenden Flyer und Poster. Falls Sie Interesse an dem Verfahren haben, kontaktieren Sie uns gerne.

Deep Learning Lastprognose deepDHC PDF
Poster KWKT Dresden 2017 PDF
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

Schattenwurf