• search hit 1 of 33
Back to Result List

EnEff: Wärme: DeepDHC - Untersuchung und Weiterentwicklung modernster maschineller Lernverfahren für die hochgenaue Lastprognose in Fernwärmenetzen

  • 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 imDas 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.show moreshow less

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Stefan LeiprechtORCiD, Fabian Behrens, Verena Jetzinger, Christian Pressa, Hendric Popma, Jonas Brantl, Till Faber, Matthias FinkenrathORCiDGND
URL / DOI:https://www.agfw-shop.de/eneff-waerme-deepdhc-untersuchuchung-und-weiterentwicklung-modernster-maschineller-lernverfahren-fuer-die-hochgenaue-lastprognose-in-fernwaermenetzen.html
Identifier:3-89999-097-8 OPAC HS OPAC extern
Parent Title (German):Forschung und Entwicklung
Publisher:AGFW
Place of publication:Frankfurt am Main
Document Type:Report
Language:German
Year of first Publication:2024
Tag:Fernwärme; Lastprognose; Maschinelles Lernen
Deep Learning; Temporal Fusion Transformer
Volume:2024
Issue:66
Number of pages:71 Seiten
First Page:1
Last Page:71
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
Behrens, Fabian
Leiprecht, Stefan
Pressa, Christian
Jetzinger, Verena
Publication reviewed:begutachtet
Release Date:2024/02/12
Verstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.