TY - RPRT A1 - Leiprecht, Stefan A1 - Behrens, Fabian A1 - Jetzinger, Verena A1 - Pressa, Christian A1 - Popma, Hendric A1 - Brantl, Jonas A1 - Faber, Till A1 - Finkenrath, Matthias T1 - EnEff: Wärme: DeepDHC - Untersuchung und Weiterentwicklung modernster maschineller Lernverfahren für die hochgenaue Lastprognose in Fernwärmenetzen T2 - Forschung und Entwicklung N2 - Das Wissen um den zukünftigen Wärmebedarf gewinnt, bei komplexer werdenden Fernwärmesystemen mit volatilen und heterogenen Erzeugungsanlagen, immer weiter an Bedeutung. Denn zur Vermeidung von ineffizienten und unwirtschaftlichen Betriebszuständen muss für eine passende Einsatzoptimierung eine möglichst präzise und zuverlässige Wärmelastprognose vorliegen. Maschinelle Lernverfahren, steigende Datengrundlagen und Verfügbarkeit von ausreichender Rechenleistung bergen hierbei erhebliches Verbesserungspotential. Das von der Hochschule für angewandte Wissenschaften Kempten durchgeführte Forschungsvorhaben „DeepDHC - Untersuchung und Weiterentwicklung modernster maschineller Lernverfahren für die hochgenaue Lastprognose in Fernwärmenetzen“ (FKZ: 03EN3017) befasste sich mit der Performance unterschiedlicher maschineller Lernverfahren zur Wärmelastprognose in Fernwärmenetzen. Unter Berücksichtigung unterschiedlicher Fernwärmenetztopologien, der Einbindung von Smart Meter Daten und der automatisierten Berücksichtigung von Veränderungen im Fernwärmenetz wurden hierbei besonders relevante Fragestellungen aufgegriffen und bearbeitet. KW - Lastprognose KW - Fernwärme KW - Maschinelles Lernen KW - Deep Learning KW - Temporal Fusion Transformer Y1 - 2024 UR - https://opus4.kobv.de/opus4-hs-kempten/frontdoor/index/index/docId/2106 UR - https://www.agfw-shop.de/eneff-waerme-deepdhc-untersuchuchung-und-weiterentwicklung-modernster-maschineller-lernverfahren-fuer-die-hochgenaue-lastprognose-in-fernwaermenetzen.html SN - 3-89999-097-8 VL - 2024 IS - 66 SP - 1 EP - 71 PB - AGFW CY - Frankfurt am Main ER -