Eine genaue Wärmelastprognose ermöglicht Wärmeversorgern eine besonders wirtschaftliche, ökologische, versorgungssichere und netzdienliche Planung des Einsatzes ihrer Wärmekraftwerke, Energiespeicher und Power-to-X-Anlagen. Beispiele für Effizienzvorteile durch verbesserte Lastprognosen sind die Vermeidung des Einsatzes von fossil gefeuerten Spitzenlastkesseln und die Möglichkeit der verstärkten Integration erneuerbarer Energien in Fernwärmenetze. In der Praxis kommen für die Fernwärmelastprognose bislang in der Regel nur einfache Prognoseverfahren mit vergleichsweise hohen Unsicherheiten zum Einsatz. Neue Methoden aus dem Bereich der künstlichen Intelligenz (KI) – insbesondere des maschinellen Lernens und des sogenannten „Deep Learning“ – bieten zusammen mit höheren Rechnerleistungen und größeren verfügbaren Datenmengen erhebliche Verbesserungspotenziale. Das Forschungsprojekt DeepDHC greift vielversprechende Ansätze aus diesem Bereich auf, um auf dieser Basis eine deutlich verbesserte Lastprognose zu entwickeln. Durch die Verwendung tatsächlicher Betriebsdaten und realer Lastgänge, die die beteiligten Fernwärmeversorger zur Verfügung stellen, können die Verfahren praxisnah entwickelt und validiert werden. Die Bewertung des wirtschaftlichen Nutzens der verbesserten Lastprognose erfolgt mithilfe eines ganzheitlichen numerischen Optimierungsmodells für die Anlageneinsatzplanung, in dem der Anlagenpark und das Wärmenetz eines beteiligten Fernwärmeversorgers abgebildet ist.
Quelle
