details_view: 9 von 27

 

Verbundvorhaben: EnEff:Wärme - ML4Heat: Tools zum optimierten Betrieb von existierenden Fernwärmenetzen basierend auf Methoden des maschinellen Lernens - Teilvorhaben: Algorithmen und Simulations-Tools zum optimierten Betrieb von existierenden Fernwärmenetzen

Zeitraum
2019-07-01  –  2022-12-31
Bewilligte Summe
756.436,00 EUR
Ausführende Stelle
Förderkennzeichen
03ET1668A
Leistungsplansystematik
Wärmetransport und -verteilung [EA2150]
Verbundvorhaben
01186950/1  –  ML4Heat
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESN3)
Förderprogramm
Energie
 
Globale Zielstellung des vorgeschlagenen Projektes ist die Entwicklung von Methoden und Software-Tools zur Optimierung des Betriebs von bestehenden Fernwärmenetzen unter energetischen und wirtschaftlichen Gesichtspunkten. Dazu sollen in starkem Maße Sensor- und Betriebsdaten der Fernwärmeübergabestationen sowie der Wärmebereitstellung gesammelt und mittels maschineller Lernverfahren ausgewertet werden. Es sollen Tools auf drei Ebenen realisiert werden: 1. Optimierter Betrieb der Fernwärmestationen durch Performance- und Condition Monitoring: Ziel ist ein möglichst automatisches Performance-Monitoring sowie Optimierung der Regelung in den Fernwärmestationen. 2. Strang-Optimierung: Es werden Methoden erarbeitet, welche basierend auf den Messdaten der Fernwärmeübergabestationen die Auslastung von Teilabschnitten (Strängen) schnell erkennen bzw. idealerweise schon vorhersagen kann. Dazu werden maschinelle Lernverfahren in Kombination mit physikalischen Grundgleichungen eingesetzt. 3. Netz-Optimierung: Zunächst werden Methoden erarbeitet, um den Energiebedarf für das gesamte Fernwärmenetz genauer als bisher vorherzusagen. Dazu sollen die bei der Strang-Optimierung gewonnen Erkenntnisse zur lokalen Kapazitätsplanung mit externen Daten (insbesondere Wetterprognose) kombiniert werden. Mit Berücksichtigung des Einsatzes von erneuerbaren Energiequellen (z.B. Solarenergie) kann durch genauere Echtzeit-Prognosen der Bedarf an fossilen Brennstoffen deutlich gesenkt werden.
Weitere Informationen