ILSE

In dem vom Bundesministerium für Wirtschaft und KLimaschutz (BMWK) geförderten Projekt arbeiten die Forschungspartner daran, ungewöhnliche Betriebszustände von Hausstationen (HAST) mit Hilfe von selbstlernenden Systemen KI-gestützt zu erkennen. Dadurch kann die Versorgungssicherheit und Effizienz des Gesamtsystems gesteigert werden. Besonders, wenn sich daraus eine prädiktive Instandhaltung aufbauen lässt.

Der optimale Betrieb von Fernwärmesystemen (FWS) basiert auf einem komplexen Zusammenspiel vieler verschiedener Komponenten und deren dynamischem Verhalten. Während die Anzahl der Wärmeerzeuger in FWS häufig noch überschaubar ist, liegt die Anzahl der Haustationen (HAST) bei mittleren Netzen im Bereich einiger Hundert, bei großen Netzen im Bereich mehrerer Tausend.

Für ein effizientes Gesamtsystem, optimierten Energieeinsatz und reduzierten Treibhausgasemissionen kommt HAST eine bedeutsame Rolle im oben genannten Zusammenspiel zu. Kommt es bei diesen zu ungewöhnlichen Betriebszuständen durch z.B. verschmutze Wärmetauscher oder nicht angepasste Regelparameter, verschlechtert dies die Effizienz des FWS. Das frühzeitige Erkennen ungewöhnlicher Betriebszustände verhindert dies, ist aber eine komplexe Aufgabe.

Hier können automatisierte Verfahren auf der Basis selbstlernender Algorithmen einen Beitrag leisten. Mit Hilfe dieser lässt sich eine prädiktive Instandhaltung aufbauen, die noch vor Eintritt des ungewöhnlichen Betriebszustandes ansetzt und über bisherige einfache statistische Verfahren hinausgeht.