details_view: 3 von 7

 

Verbundvorhaben: EnEff:Wärme: WATT-IS - Wärmewende durch Transparenz, Tipps, Incentives und smarte Steuerung; Teilvorhaben: Intelligente Datenanalysen, maschinelle Lernverfahren und KI-basierte Steuerungsalgorithmen für den Wärmesektor

Zeitraum
2024-03-01  –  2027-02-28
Bewilligte Summe
420.384,78 EUR
Ausführende Stelle
Solandeo GmbH, Berlin, Bayern
Förderkennzeichen
03EN3097A
Leistungsplansystematik
Regionale Versorgungskonzepte [EA2112]
Verbundvorhaben
01259411/1  –  EnEff: Wärme: WATT-IS
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESN3)
Förderprogramm
Energie
 
Im Vorhaben WATT-IS sollen die großen Einspar- und Effizienzpotentiale im Bereich der Nutzung und Bereitstellung von Wärme identifiziert, gehoben und genutzt werden, um die Wärmewende auf der Ebene von Gebäuden und Quartieren massiv voranzutreiben. Dabei sollen die Verbraucher aktiv einbezogen und Lösungen unter realen Bedingungen im 'KlimaVeedel Köln-Neubrück' entwickelt und getestet werden. Insbesondere werden auf der Basis intelligenter Wärmezähler datengestützte digitale Werkzeuge und Methoden entwickelt: intelligente Datenanalysen, maschinelle Lernverfahren und KI-basierte Steuerungsalgorithmen, die eine dynamische und prädiktive Steuerung sowie eine bedarfs- und nachfrageorientierte Bereitstellung und Versorgung ermöglichen, hohe Transparenz für die Verbraucher schaffen und gleichzeitig die Effizienz von Wärmenetzen optimieren und so zur erheblichen Einsparung von Primärenergie und CO2-Emissionen beitragen. Der Wärmebedarf jedes Gebäudes soll sehr genau, am besten ¼-h-scharf, erfasst und analysiert werden. Darüber hinaus sind präzise Prognose von Wärmelastgängen auf Hausebene erforderlich, und es werden maschinelle Lernverfahren zur algorithmischen Last- und Bedarfsprognose in Wärmenetzen entwickelt. Deren Güte hängt wesentlich von den Daten ab, mit denen diese Algorithmen 'gefüttert' werden, insbesondere von der Art der Daten, Zusammenhängen zwischen diesen Daten und deren Einfluss auf die zu prognostizierenden Größen. Mittels umfangreicher entsprechender Datenanalysen und daraus abgeleiteter Erkenntnisse sollen speziell für den Wärmebereich statistische Einflussfaktoren identifiziert und ein für maschinelle Lernverfahren wesentliches 'Feature Engineering' hergeleitet werden. Die Datenanalysen und Prognosen bilden dann insbesondere auch die Basis für aktive Verhaltensänderungen von Verbrauchern durch detaillierte Informationen und Incentives sowie für die Entwicklung KI-basierter Steuerungsalgorithmen für den Wärmenetzbetreiber.