• search hit 3 of 33
Back to Result List

KI-Anwendung in der Energietechnik: Einsatz maschineller Lernverfahren für die Wärmelastprognose

  • Maschinelles Lernen gilt als eines der vielversprechendsten Teilgebiete der künstlichen Intelligenz (KI). Sein Einsatz hat in den vergangenen Jahren zu enormen Fortschritten sowohl in der Bild- und Texterkennung als auch bei Zeitreihenprognosen geführt. Der Vortrag demonstriert dies am Beispiel von Wärmelastprognosen für die Fernwärmebranche. Dabei werden maschinelle Lernverfahren genutzt, um den Wärmebedarf in Fernwärme-netzen über mehrere Tage im Voraus hochgenau vorherzusagen. Auf diese Weise können Energieversorger den Einsatz ihrer Wärmeerzeugungsanlagen optimal planen. Beispielsweise können bei vorhersehbaren Lastspitzen Wärmespeicher frühzeitig mit erneuerbar erzeugter Wärme gefüllt und so der Betrieb fossiler Spitzenlastkraftwerke vermieden werden. Als Folge kann der Betreiber sowohl CO2-Emissionen als auch Emissions-, Brennstoff- sowie An- und Abfahrkosten einsparen. Der Vortrag basiert auf Ergebnissen aus mehreren Forschungsprojekten, die an der Hochschule Kempten seit 2016 gemeinsam mit Fernwärmeversorgern durchgeführtMaschinelles Lernen gilt als eines der vielversprechendsten Teilgebiete der künstlichen Intelligenz (KI). Sein Einsatz hat in den vergangenen Jahren zu enormen Fortschritten sowohl in der Bild- und Texterkennung als auch bei Zeitreihenprognosen geführt. Der Vortrag demonstriert dies am Beispiel von Wärmelastprognosen für die Fernwärmebranche. Dabei werden maschinelle Lernverfahren genutzt, um den Wärmebedarf in Fernwärme-netzen über mehrere Tage im Voraus hochgenau vorherzusagen. Auf diese Weise können Energieversorger den Einsatz ihrer Wärmeerzeugungsanlagen optimal planen. Beispielsweise können bei vorhersehbaren Lastspitzen Wärmespeicher frühzeitig mit erneuerbar erzeugter Wärme gefüllt und so der Betrieb fossiler Spitzenlastkraftwerke vermieden werden. Als Folge kann der Betreiber sowohl CO2-Emissionen als auch Emissions-, Brennstoff- sowie An- und Abfahrkosten einsparen. Der Vortrag basiert auf Ergebnissen aus mehreren Forschungsprojekten, die an der Hochschule Kempten seit 2016 gemeinsam mit Fernwärmeversorgern durchgeführt wurden. Dabei wurden maschinelle Lernverfahren sehr unterschiedlicher Komplexität systematisch untersucht und bewertet – von „einfachen“ bis hin zu anspruchsvollen Verfahren aus dem Bereich des sogenannten „Deep Learning“. Die Wärmelastprognosen werden unter Verwendung historischer Betriebs- und Wetterdaten sowie von Wetterprognosen vollautomatisiert erstellt und dem Betreiber über eine Web-Schnittstelle zur Verfügung gestellt, die auch im Vortrag gezeigt wird. Die vorgestellte Methode bietet erhebliche Einsparpotenziale für den Anlagenbetreiber. Sie ist zudem auch auf andere Branchen mit ähnlichen Zielgrößen bzw. Fragestellungen übertragbar.show moreshow less

Download full text files

  • Link zur Datei: https://www.hs-kempten.de/fileadmin/Forschung/Forschungsprofil/FSP1/Vortrag_-_KI-Anwendung_in_der_Energietechnik_-_Einsatz_maschineller_Lernverfahren_fuer_die_Waermelastprognose.pdf

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Matthias FinkenrathORCiDGND
URL / DOI:https://www.hs-kempten.de/fileadmin/Forschung/Forschungsprofil/FSP1/Vortrag_-_KI-Anwendung_in_der_Energietechnik_-_Einsatz_maschineller_Lernverfahren_fuer_die_Waermelastprognose.pdf
Document Type:Handout
Language:German
Year of first Publication:2021
Tag:Fernwärme; Lastprognose; Maschinelles Lernen; deepDHC
GND Keyword:Maschinelles LernenGND; FernwärmeGND
Number of pages:22 Folien
Institutes:Fakultät Maschinenbau
IEAT - Institut für Energie- und Antriebstechnik
Dewey Decimal Classification:0 Informatik, Informationswissenschaft, allgemeine Werke
6 Technik, Medizin, angewandte Wissenschaften / 62 Ingenieurwissenschaften
Open Access:open_access
Research focus:FSP1: Energie
Publication Lists:Finkenrath, Matthias
Research Project:deepDHC (Deep Learning for Distinct Heating and Cooling: Entwicklung modernster maschineller Lernverfahren für die hochgenaue Fernwärmelastprognose)
Publication reviewed:nicht begutachtet
Release Date:2023/07/10
Verstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.