deepDHC (Deep Learning for Distinct Heating and Cooling: Entwicklung modernster maschineller Lernverfahren für die hochgenaue Fernwärmelastprognose)
Refine
Document Type
- Handout (2)
- Article (1)
- conference proceeding (article) (1)
- conference proceeding (presentation) (1)
- Moving Images (1)
Language
- German (3)
- English (2)
- Multiple languages (1)
Publication reviewed
- nicht begutachtet (4)
- begutachtet (2)
Keywords
- deepDHC (6)
- Fernwärme (5)
- Lastprognose (4)
- Maschinelles Lernen (4)
- Digitalisierung (1)
- Dispatch optimisation (1)
- District Heating (1)
- KWK-Flex (1)
- Leitfaden (1)
- Load forecasting (1)
Institute
KI-Anwendung in der Energietechnik: Einsatz maschineller Lernverfahren für die Wärmelastprognose
(2021)
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 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.
Keynote auf dem AGFW-Expertenforum "Fernwärme Digital" (18. - 19.04.2023, Frankfurt am Main):
Der Vortrag gibt einen Überblick über die aktuell zum Thema Digitalisierung in der Fernwärmeforschung laufenden Aktivitäten. Zudem werden die Forschungsprojekte deepDHC, KWKflex und HeatSHIFT der Hochschule Kempten zu diesem Thema vorgestellt.
Zeitreihenprognosen können eine leistungsfähige Methode zur Vorhersage des Wärmebedarfs eines Fernwärmenetzes darstellen. Durch die Analyse historischer Daten über den Energieverbrauch und andere relevante Faktoren wie Wetterdaten kann ein Neuronales Netz Muster und Trends erkennen, die ihm helfen, genaue Vorhersagen über den künftigen Bedarf zu treffen. Auf diese Weise kann der Netzbetreiber die Ressourcennutzung der Anlage optimieren, Kosten einsparen und Emissionen reduzieren und sicherstellen, dass die Wärme effizient und kostengünstig an die Kunden geliefert wird. Darüber hinaus können genaue Prognosen dem Betreiber bei der Planung von Wartungs- und Reparaturarbeiten helfen und sicherstellen, dass das Netz auch in Zeiten hoher Nachfrage zuverlässig und funktionsfähig bleibt. Insgesamt kann die Zeitreihenprognose dazu beitragen, dass Fernwärmenetze effizienter arbeiten und Geld sparen, während sie den Kunden einen guten Servicebieten.
Eine mögliche Deep Learning Methode, die für die Zeitreihenprognose verwendet werden kann, ist das LSTM. Ein LSTM-Netzwerk (Long Short-Term Memory) ist ein Rekurrentes Neuronales Netzwerk (RNN), das sich besonders für die Verarbeitung und Vorhersage sequenzieller Daten eignet. Es verwendet eine komplexe Architektur von Zellen, die sich Werte über lange Zeiträume hinwegmerken können, so dass es Abhängigkeiten und Muster in sequentiellen Daten erfassen kann. In diesem kurzen Leitfaden wird anhand eines Beispiels gezeigt, wie thermische Last- und Wetterdatenverwendet werden können, um ein LSTM-Modell zu trainieren. Dieses Modell wird dann gespeichert und von der Festplatte geladen, um Lastvorhersagen für einen anderen Zeitraum zu machen. Darüber hinaus wird gezeigt, wie die Fehler der Vorhersagen berechnet werden können, wenn der tatsächliche Lastbedarf bekannt ist, wodurch ein kurzer Überblick über alle grundlegenden Komponentengegeben wird, die für die Erstellung eines Modells zur Vorhersage des Fernwärmebedarfs erforderlich sind.
Dieser Leitfaden wurde von der Hochschule Kempten im Rahmen des Forschungsprojekts "deepDHC" erstellt.
Efficient operation of district heating networks requires a precise forecasting of the thermal loads and an optimised dispatch strategy for the available generation and storage portfolio. This paper presents a holistic modelling and optimisation approach: first, detailed process modelling and optimisation of power plants and thermal storages; second, a numerical model for dispatch optimisation; and third, machine-learning-based load forecasting. The work is based on operating data from the district heating network of the city of Ulm in Germany. The paper presents the modelling, validation and simulation results of stationary and instationary process simulation for a biomass-fired combined heat and power plant. The analysis identifies a potential to integrate additional renewable power by “power-to-heat” technologies into different parts of the process. The economic benefit is quantified by mixed-integer linear programming optimisation applied to the district heating network. In order to allow for real-time dispatch optimisation, a machine-learning-based thermal load forecasting method was developed and evaluated, based on a 72-h forecast horizon. In addition, the economic impact of prediction uncertainties is analysed with the numerical dispatch optimisation tool.
Decarbonisation of district heating networks requires a heat generation and storage portfolio that allows for maximised integration of renewable energies. However, it is also essential to have a precise forecast of the thermal loads to be expected in the network and – based on this forecast – an optimised dispatch strategy in order to best match the available generation and storage portfolio with the actual heat demands in the grid. This paper presents a holistic approach that combines modelling and optimisation activities related to these three aspects: first, detailed process modelling and optimisation of power plants and thermal storages; second, a numerical model for dispatch optimisation; and third, machine-learning-based load forecasting. This work, which was performed as part of the publicly funded research projects “KWKflex” and “deepDHC”, was based on operating data from the district heating network of the city of Ulm in Germany. The paper presents the modelling, validation and simulation results of a stationary and instationary process simulation for a 58 MW thermal biomass-fired combined heat and power plant. The analysis identifies a potential to integrate additional renewable power of up to 17 MW thermal power by “power-to-heat” technologies into different parts of the process. The economic benefit is quantified with a mixed-integer linear programming dispatch optimisation model of the district heating network. In order to allow for real-time optimisation of the power plant and thermal energy storage dispatch, a machine-learning-based thermal load forecasting method was developed. The performance of different machine learning algorithms, including decision trees and deep learning techniques, is compared based on a 72-hour forecast horizon. In addition, the economic impact of uncertainties in thermal load prediction is analysed with the numerical dispatch optimisation tool.