Refine
Document Type
Has Fulltext
- no (2)
Publication reviewed
- begutachtet (2)
Keywords
- Fernwärme (2)
- Lastprognose (2)
- Maschinelles Lernen (2)
- Deep Learning (1)
- Temporal Fusion Transformer (1)
- deepDHC (1)
Institute
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.
Temporal Fusion Transformer for thermal load prediction in district heating and cooling networks
(2022)
Accurate forecasting of thermal loads is a critical factor for operating district heating and cooling networks economically,efficiently and with minimized emissions. If thermal loads are known with high accuracy in advance, use of renewable energiescan be maximized, and fossil generation, in particular in peaking units, can be avoided. Machine learning has already provento be an efficient tool for time series forecasting in this context. One recent advancement in machine learning is the "TemporalFusion Transformer" (TFT), which shows especially good results in the area of time series forecasting. This paper examinesthe performance of TFT in the concrete context of thermal load forecasting for district heating and cooling networks. First,a brief summary of differences between TFT and other machine learning methods is given. Secondly, it is described how themethod can be adopted to train a machine learning model for thermal load forecasting. The data to train and evaluate the neuralnetwork is based on 8 years of hourly operating data made available from the district heating network of the city of Ulm inGermany. The presented technique is used to produce 72 hours of heating load forecasts for three different district heating gridsin the city of Ulm. The results are compared to forecasts of other machine learning methods that have been previously madeas part of the publicly funded research project "deepDHC", in order to evaluate if TFT is an improvement to further reduceforecasting uncertainties.