Fernwärme mit künstlicher Intelligenz
Verbesserte Lastprognosen sparen Ressourcen.
Fernwärmenetze erreichen Gesamtlängen von mehreren hundert Kilometern. Das ist eine erhebliche Herausforderung für die optimale Versorgung der Leitungsnetze. Präzise Prognosen der zu erwartenden Fernwärmelast ermöglichen es Betreibern, benötigte Wärme besonders effizient und klimafreundlich bereitzustellen. Ein jetzt an der Hochschule Kempten entwickeltes Verfahren kann die Genauigkeit der Lastprognosen wesentlich erhöhen. Das Lastprognoseverfahren wurde inzwischen zum europäischen Patent angemeldet.
Abb.: Lastverläufe in Fernwärmenetzen hängen von vielen Faktoren ab. (Bild: denisismagilov - Fotolia.com)
Lastverläufe in Fernwärmenetzen hängen von vielen Faktoren ab: Ist es kalt, besteht erhöhter Wärmebedarf. Auch Wochenenden, Wochentage oder Feiertage zeichnen sich durch charakteristische Lastgänge aus. Hier setzt das neuartige Verfahren an. „Moderne Verfahren der künstlichen Intelligenz haben bewiesen, dass sie Muster mit sehr hoher Genauigkeit erkennen“, erläutert Till Faber von der Hochschule Kempten. „Dadurch ist zum Beispiel die Spracherkennung in Handys in den letzten Jahren sehr leistungsstark geworden, mit Fehlerraten von wenigen Prozent. Wir wenden vergleichbare Verfahren zur Prognose von Lastverläufen in Wärme- oder Kältenetzen mit ähnlichen Genauigkeiten an. Die Prognoseverfahren benötigen dabei keine Messdaten einzelner Verbraucher, sondern lediglich aggregierte Datenreihen, etwa Informationen aus regionalen Wetterprognosen.“
„Eine Erhöhung der Prognosegenauigkeit kann zu erheblichen Kohlendioxid- und Kosteneinsparungen führen, da die für die Wärmeversorgung benötigten Anlagen effizienter eingesetzt werden können“, ergänzt Matthias Finkenrath, der das vom Bundesministerium für Wirtschaft und Energie geförderte Forschungsprojekt „KWK-Flex“ leitet, in dem das neuartige Verfahren erarbeitet wurde.
„Entscheidend für die Entwicklung war das Zusammenspiel von Anwenderwissen aus Maschinenbau und Energietechnik mit Methodenkompetenz aus der Informatik. So ist ein leistungsstarkes und flexibles maschinelles Lernverfahren auf Basis des Deep Learning entstanden, das sich auch auf weitere Anwendungsgebiete der Energie- und Versorgungstechnik übertragen lässt“, sagt Finkenrath.
HS Kempten / RK
