TY - GEN A1 - Behrens, Fabian A1 - Leiprecht, Stefan T1 - Nutzerleitfaden zur Erstellung von Fernwärmelastprognosen mittels Machine Learning Verfahren N2 - Zeitreihenprognosen können eine leistungsfähige Methode zur Vorhersage des Wärmebedarfs eines Fernwärmenetzes darstellen. Durch die Analyse historischer Daten über den Energieverbrauch und andere relevante Faktoren wie Wetterdaten kann ein Neuronales Netz Muster und Trends erkennen, die ihm helfen, genaue Vorhersagen über den künftigen Bedarf zu treffen. Auf diese Weise kann der Netzbetreiber die Ressourcennutzung der Anlage optimieren, Kosten einsparen und Emissionen reduzieren und sicherstellen, dass die Wärme effizient und kostengünstig an die Kunden geliefert wird. Darüber hinaus können genaue Prognosen dem Betreiber bei der Planung von Wartungs- und Reparaturarbeiten helfen und sicherstellen, dass das Netz auch in Zeiten hoher Nachfrage zuverlässig und funktionsfähig bleibt. Insgesamt kann die Zeitreihenprognose dazu beitragen, dass Fernwärmenetze effizienter arbeiten und Geld sparen, während sie den Kunden einen guten Servicebieten. Eine mögliche Deep Learning Methode, die für die Zeitreihenprognose verwendet werden kann, ist das LSTM. Ein LSTM-Netzwerk (Long Short-Term Memory) ist ein Rekurrentes Neuronales Netzwerk (RNN), das sich besonders für die Verarbeitung und Vorhersage sequenzieller Daten eignet. Es verwendet eine komplexe Architektur von Zellen, die sich Werte über lange Zeiträume hinwegmerken können, so dass es Abhängigkeiten und Muster in sequentiellen Daten erfassen kann. In diesem kurzen Leitfaden wird anhand eines Beispiels gezeigt, wie thermische Last- und Wetterdatenverwendet werden können, um ein LSTM-Modell zu trainieren. Dieses Modell wird dann gespeichert und von der Festplatte geladen, um Lastvorhersagen für einen anderen Zeitraum zu machen. Darüber hinaus wird gezeigt, wie die Fehler der Vorhersagen berechnet werden können, wenn der tatsächliche Lastbedarf bekannt ist, wodurch ein kurzer Überblick über alle grundlegenden Komponentengegeben wird, die für die Erstellung eines Modells zur Vorhersage des Fernwärmebedarfs erforderlich sind. Dieser Leitfaden wurde von der Hochschule Kempten im Rahmen des Forschungsprojekts "deepDHC" erstellt. N2 - Time series forecasting can be a powerful tool for predicting the thermal load demand of a district heating network. By analyzing historical data on energy usage and other relevant factors like weather, a machine learning algorithm can identify patterns and trends that help it make accurate predictions about future demand. This allows the network operator to optimize the use of resources, cut costs and reduce emissions, ensuring that heat is delivered efficiently and cost-effectively to customers. Additionally, accurate forecasting can help the operator plan for maintenance and repairs, ensuring that the network remains reliable and functional even during periods of high demand. Overall, time series forecasting can help district heating networks operate more efficiently and save money, while providing a good service to customers. One possible the deep learning method that can be used to do time series forecasting is the LSTM network. A Long Short-Term Memory (LSTM) network is a type of Recurrent Neural Network (RNN) that is particularly useful for processing and predicting sequential data. It uses a complex architecture of cells that can remember values for long periods of time, allowing it to capture dependencies and patterns in sequential data. This short guide will go through an example scenario that will use thermal load and weather data to train a LSTM model. This model will then be saved and loaded from disc to do load predictions for another timeframe. Moreover, it shows how to calculate errors of the predictions of the real load demand is known, thereby providing a brief overview about all basic components needed to create model for district heating demand predictions. This guide was created as part of the research project "deepDHC" at University of Applied Sciences Kempten. You can find more information about the project at deepDHC.de. DeepDHC was funded by the Federal Ministry of Economics and Energy of Germany under the funding code 03EN3017, with additional financial and in-kind support by the project partners AGFW, Fernwärme Ulm GmbH and ZAK Energie GmbH. The responsibility for the content of this publication lies with the authors. KW - Leitfaden KW - Maschinelles Lernen KW - deepDHC KW - Lastprognose KW - Fernwärme KW - Maschinelles Lernen Y1 - 2023 UR - https://opus4.kobv.de/opus4-hs-kempten/frontdoor/index/index/docId/1710 UR - https://github.com/deepDHC/deepDHC-user-guide ER -