Optimierte Wärmelastprognose mittels „Deep Learning”
- Die verstärkte Einbindung fluktuierender erneuerbarer Energien erfordert hochflexible thermische Kraftwerke zur Netzstabilisierung und bedarfsgerechten Abdeckung der verbleibenden Netzlasten. Für einen effizienten Anlageneinsatz spielt dabei die möglichst genaue Kenntnis der zu erwartenden Fernwärmelast eine zentrale Rolle. Für die Fernwärmelastprognose können innovative Verfahren unter Verwendung moderner maschineller Lernverfahren zum Einsatz kommen, die im Folgenden vorgestellt werden.
Author: | Matthias FinkenrathORCiDGND, Till Faber |
---|---|
Identifier: | 978-3-934409-93-4 OPAC HS OPAC extern |
Identifier: | 3934409938 OPAC HS OPAC extern |
Parent Title (German): | Kraftwerkstechnik 2019 – Power Plant Technology: 51. Kraftwerkstechnisches Kolloquium vom 22. und 23. Oktober 2019 in Dresden |
Publisher: | SAXONIA |
Place of publication: | Freiberg |
Document Type: | conference proceeding (article) |
Language: | German |
Year of first Publication: | 2019 |
Tag: | KWK-Flex |
GND Keyword: | Fernwärme; Lastprognose; Maschinelles Lernen; Deep Learning |
Number of pages: | 10 Seiten |
First Page: | 415 |
Last Page: | 424 |
Institutes: | Fakultät Maschinenbau |
IEAT - Institut für Energie- und Antriebstechnik | |
Dewey Decimal Classification: | 6 Technik, Medizin, angewandte Wissenschaften |
Research focus: | FSP1: Energie |
Publication Lists: | Finkenrath, Matthias |
Research Project: | KWK-Flex – Hochflexible stromgeführte Kraft-Wärme-Kopplung durch thermische Speicher und "Power-to-Heat"-Technologien |
Publication reviewed: | begutachtet |
Release Date: | 2021/02/01 |