Fernwärme mit künstlicher Intelligenz

  • 17. October 2017

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.

Fernwärme

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

Share |

Webinar

Einführung in die Simulation von Halbleiter-Bauelementen

  • 30. November 2017

Von Mosfets über LEDs bis zu Wafern – Halb­leiter­bau­elemente sind essen­tielle Bestand­teile moderner Tech­nik in nahezu allen Bran­chen. Die nume­ri­sche Simu­la­tion kann dabei ein wich­ti­ges Hilfs­mit­tel dar­stel­len, um diese Bau­elemen­te in ihrer Funk­tions­weise zu analy­sie­ren und somit deren Kon­zep­tion zu er­leich­tern.

Alle Webinare »

Site Login

Bitte einloggen

Andere Optionen Login

Website Footer