2020-04-01  –  2023-06-30

359.816,00 EUR

Hochschule für angewandte Wissenschaften Kempten, Kempten (Allgäu), Bayern

03EN3017

Wärmetransport und -verteilung [EA2150]

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESN3)

Energie

Eine genaue Wärmelastprognose ermöglicht Wärmeversorgern eine besonders wirtschaftliche, ökologische, versorgungssichere und netzdienliche Anlageneinsatzplanung ihrer Wärmekraftwerke und Energiespeicher. Beispiele für Effizienzvorteile durch verbesserte Lastprognosen sind die Vermeidung des Einsatzes von fossil gefeuerten Spitzenlastkesseln und die Möglichkeit der verstärkten Integration erneuerbarer Energien in Fernwärmenetze. In der Praxis kommen bislang für die Fernwärmelastprognose in der Regel nur einfache Prognoseverfahren mit vergleichsweise hohen Unsicherheiten zum Einsatz. Neue Methoden aus dem Bereich der künstlichen Intelligenz (KI), insbesondere des maschinellen Lernens und sogenannten 'Deep Learning', bieten zusammen mit höheren Rechnerleistungen und größeren verfügbaren Datenmengen erhebliche Verbesserungspotenziale. Das Forschungsprojekt DeepDHC greift vielversprechende Ansätze aus diesem Bereich auf, um eine deutlich verbesserte Lastprognose zu entwickeln. Durch die Verwendung tatsächlicher Betriebsdaten und realer Lastgänge, die durch die beteiligten Fernwärmeversorger bereitgestellt werden, können die Verfahren praxisnah entwickelt und validiert werden. Die Bewertung des wirtschaftlichen Nutzens der verbesserten Lastprognose erfolgt mithilfe eines ganzheitlichen numerischen Anlageneinsatzplanungsoptimierungsmodells, in dem der Anlagenpark und das Wärmenetz eines beteiligten Fernwärmeversorgers abgebildet ist. Abschließend ist die Veröffentlichung eines Leitfadens als Handlungsanweisung für Fernwärmeversorger zum Einsatz maschineller Lernverfahren auf Basis einer offenen Plattform für maschinelles Lernen vorgesehen.