ML in Fernwärme - ML4FW

Im Rahmen der Energiewende stehen wir vor der Herausforderung, die Wärmenetze effizienter und nachhaltiger zu gestalten. Genau hier setzt das neue Projekt "ML4FW" an: Durch den Einsatz von Maschinellem Lernen wird der Betrieb von Hausstationen (HAST) in Fernwärmenetzen optimiert und leistet damit einen Beitrag zur Reduzierung von Energieverlusten und CO2-Emissionen.

Die meisten HAST werden mit Standardeinstellungen der Regelparameter ausgeliefert und installiert. Dabei bietet die Anpassung dieser Parameter ein enormes Potenzial: Schon die Optimierung einer geringen Anzahl an HAST kann das gesamte Fernwärmenetz effizienter machen und signifikante Kosteneinsparungen ermöglichen. Besonders durch die Senkung der Rücklauftemperaturen schaffen wir nicht nur Kostenvorteile, sondern erhöhen auch die Transportkapazität der Netze – ein Gewinn für die Zukunft der Energieversorgung.

Der Lösungsansatz des Projekts: Die Entwicklung einer ML-Ops-Pipeline, die in Echtzeit Daten aus den Regelsystemen erfasst, analysiert und automatisch die optimalen Regelparameter berechnet und an die Geräte übermittelt. Eine integrierte Anomalieerkennung sorgt dafür, dass das System sich flexibel an veränderte Bedingungen anpasst. Die optimierten Parameter werden dann direkt im laufenden Betrieb umgesetzt – für eine dynamische, hocheffiziente Wärmeversorgung. In der Winterperiode 24/25 wird der Lösungsansatz in fünf Wohngebäuden der Neubrandenburger Wohnungsbaugenossenschaft (NeuWoBa) getestet.