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 |

Newsletter

Haben Sie Interesse am kostenlosen wöchentlichen oder monatlichen pro-physik.de-Newsletter? Zum Abonnement geht es hier.

COMSOL NEWS 2018

COMSOL Days

Lesen Sie, wie Ingenieure in einer Vielzahl von Branchen präzise digitale Prototypen erstellen, um die Grenzen der Technologie zu überschreiten und den Bedarf an physischen Prototypen zu reduzieren, sowie Simulationsanwendungen zu erstellen, mit denen Kollegen und Kunden weltweit neue Ideen testen können.

comsol.de/c/7bzn

Site Login

Bitte einloggen

Andere Optionen Login

Website Footer