Pressa, Christian
Refine
Document Type
- conference proceeding (article) (1)
- Moving Images (1)
- Report (1)
Publication reviewed
- begutachtet (2)
- nicht begutachtet (1)
Keywords
- Fernwärme (3)
- Lastprognose (3)
- Maschinelles Lernen (3)
- deepDHC (2)
- Deep Learning (1)
- Temporal Fusion Transformer (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.
Decarbonisation of heat generation has become a priority for district heating network operators. In order to avoid the use of fossil-fired boilers, operators need to know peaks in heat demand in advance. Accurate thermal load forecasting is playing an increasingly important role in this respect. This paper presents the final results of the research project “deepDHC” (deep learning for district heating and cooling) funded by the German Federal Ministry for Economic Affairs and Climate Action (BMWK). The three-year project focused on systematically benchmarking thermal load forecasts for district heating networks, based on state-of-the-art machine learning methods. The analysis covers a variety of machine learning techniques, such as neural networks – including latest deep learning methods – (e.g. LSTM, TFT, ESN, RC), decision trees (random forests, adaptive boosting, XGB) and statistical methods (SARIMAX). In addition, the impact of combining methods by so-called “stacking” was investigated. Training and validation of the machine learning algorithms was based on historical operating data from the district heating network for the city of Ulm in Germany, in combination with historical weather data, and weather forecasts. Thermal load forecasts – typically for three days ahead – are presented and compared against one another. An automatic tuning routine was developed as part of the project, which enables regular re-training of the machine learning algorithms based on the latest operating data from the heating network. Furthermore, a web interface for real-time forecasting was developed and implemented at the power station.