• Schalter wissen.de
  • Schalter wissenschaft
  • Schalter scinexx
  • Schalter scienceblogs
  • Schalter damals
  • Schalter natur
Scinexx-Logo
Logo Fachmedien und Mittelstand
Scinexx-Claim
Facebook-Claim
Google+ Logo
Twitter-Logo
YouTube-Logo
Feedburner Logo
Donnerstag, 23.11.2017
Hintergrund Farbverlauf Facebook-Leiste Facebook-Leiste Facebook-Leiste
Scinexx-Logo Facebook-Leiste

Ressourceneinsparung durch Künstliche Intelligenz

Hochschule für angewandte Wissenschaften Kempten

Fernwärmenetze erreichen Gesamtlängen von mehreren 100 km. Dies ist eine erhebliche Herausforderung für die optimale Versorgung der Leitungsnetze. Präzise Prognosen der zu erwartenden Fernwärmelast ermöglichen es Betreibern, benötigte Wärme besonders effizient und klimafreundlich bereitzustellen. Ein neuartiges, an der Hochschule Kempten entwickeltes Verfahren kann die Genauigkeit dieser Lastprognosen wesentlich erhöhen.
Lastverläufe in Fernwärmenetzen hängen von vielen Faktoren ab: Ist es kalt, besteht erhöhter Wärmebedarf. Auch Wochenenden, Wochentage oder Feiertage zeichnen sich durch charakteristische Lastgänge aus. Hier setzt das neuartige Verfahren an: „Moderne Verfahren der Künstlichen Intelligenz haben bewiesen, dass sie Muster mit sehr hoher Genauigkeit erkennen. Dadurch ist zum Beispiel die Spracherkennung in Handys in den letzten Jahren sehr leistungsstark geworden, mit Fehlerraten von wenigen Prozent.

Bessere Prognose durch Mustererkennung


"Wir wenden vergleichbare Verfahren zur Prognose von Lastverläufen in Wärme- oder Kältenetzen mit ähnlichen Genauigkeiten an. Die Prognoseverfahren benötigen dabei keine Messdaten einzelner Verbraucher, sondern lediglich aggregierte Datenreihen, z.B. Informationen aus regionalen Wetterprognosen“, erläutert Till Faber, der als wissenschaftlicher Arbeiter maßgeblich an der Entwicklung beteiligt war.

„Eine Erhöhung der Prognosegenauigkeit kann zu erheblichen CO2- und Kosteneinsparungen führen, da die für die Wärmeversorgung benötigten Anlagen effizienter eingesetzt werden können.“, ergänzt Prof. Matthias Finkenrath, der das vom Bundesministerium für Wirtschaft und Energie geförderte Forschungsprojekt KWK-Flex leitet, in dem das neuartige Verfahren erarbeitet wurde. „Entscheidend für die Entwicklung war das Zusammenspiel von Anwenderwissen aus Maschinenbau und Energietechnik mit Methodenkompetenz aus der Informatik, insbesondere durch Kollege Prof. Brauer.

So ist ein leistungsstarkes und flexibles maschinelles Lernverfahren auf Basis des sogenannten „Deep Learning“ entstanden, das sich auch auf weitere Anwendungsgebiete der Energie- und Versorgungstechnik übertragen lässt“, erläutert Finkenrath. Das neue Lastprognoseverfahren, das kürzlich zum europäischen Patent angemeldet wurde, wird im Projekt KWK-Flex zusammen mit den Projekt-partnern Fernwärme Ulm GmbH und ZAK Energie GmbH an deren Fernwär-meversorgungsanlagen validiert und optimiert.
(Hochschule für angewandte Wissenschaften Kempten, 21.09.2017 - NPO)
 
Printer IconShare Icon