Navigation

Grid Insight: Heat (KI-basierte Nachfrageprognose und Optimierung)

Architektur Grid Insight: Heat

© Stadtwerke Iserlohn

Ziel/Nutzen der Lösung

Hauptziel ist die Minimierung der Gesamtkosten für den Betrieb des Fernwärmenetzes unter Sicherstellung eines sicheren Betriebs.

Lösungsbeschreibung

Mit Hilfe von Grid Insight: Heat entstehen neue Möglichkeiten für eine effizientere Steuerung des Fernwärmenetzes. Durch eine KI-basierte Mengenprognose und mathematische Gesamtoptimierung aller Erzeugungsanlagen können Brennstoffkosten eingespart und Lastspitzen vermieden werden.
Um eine höhere Effizienz der Wärmeversorgung zu erreichen, wird eine genaue Planung der Erzeugungseinheiten benötigt, die auch die lokalen Besonderheiten des Fernwärmenetzes beachtet. Grundlage jeder guten Planung bildet eine belastbare Prognose der zukünftig nachgefragten Fernwärmemengen, die zudem in Echtzeit die äußeren Faktoren wie die Temperatur, Niederschlagsmengen, Sonneneinstrahlen sowie Event- und Kalenderabhängigkeiten berücksichtigt.
Auf Basis intelligenter Algorithmen findet eine automatisierte Mengenprognose und Produktionsempfehlung für alle Wärmeerzeugungseinheiten für die nächsten Tage statt, die auch die unterschiedlichen Kostenstrukturen und die technischen Restriktionen des Fernwärmenetzes beachtet.
Für die Entwicklung der Algorithmen wurden die historischen Fernwärmemengen des Stadtgebietes von Iserlohn der vergangenen fünf Jahre auf minütlicher Ebene analysiert und mit externen Daten wie bspw. Wetter- und Kalenderdaten angereichert. Auf Grundlage der identifizierten Muster kann das Modell die zukünftigen Wärmemengen sehr genau vorhersagen und berücksichtigt dabei vor allem die aktuellen Wetterprognosen. Das Modeltraining zur Wärmeprognose findet einmal täglich auf Basis neuer Daten statt, so dass die Abhängigkeiten zwischen den einzelnen Faktoren immer wieder neu berechnet und dargestellt werden können. Für das Optimierungsmodul werden die aktuellen Kosten sämtlicher zur Verfügung stehendender Erzeugungseinheiten hinzugezogen und hinsichtlich der gesamten Nachfragemenge auf die einzelnen Erzeugungseinheiten verteilt. Dieser nicht-lineare Optimierungsalgorithmus berücksichtigt dabei auch die technischen Restriktionen der Erzeugungsanlagen und die Speicherfähigkeit des Fernwärmenetzes. Über die Nachfrageprognose wird somit frühzeitig ersichtlich, wann es zu einer hohen Nachfrage an Fernwärme kommen wird mögliche Lastspitzen bei den Erzeugungseinheit en verursachen könnte. Der Optimierungsalgorithmus nutzt dabei die Restkapazitäten weiterer Erzeugungsanlagen sowie die Speicherfähigkeit des Fernwärmenetzes, ohne die Kosten der Primärenergie erheblich zu erhöhen.
In der Zusammenarbeit zur Entwicklung der Lösung sind die Stadtwerke Iserlohn und die items ebenfalls neue Wege gegangen. Mit Hilfe einer agilen Projektplanung und Durchführung konnten in kürzester Zeit die ersten Ergebnisse präsentiert werden.
Für die Produktentwicklung haben die items GmbH und die Stadtwerke Iserlohn eine agile Projektstruktur nach SCRUM angewendet und entsprechende Tools eingesetzt. Ein Entwicklungssprint in diesem Projekt entsprach einem Monat. Somit konnten die Stadtwerke Iserlohn in kürzester Zeit den ersten MVP (Minimum Viable Product) präsentiert werden. Die Stadtwerke Iserlohn hatten wiederum über das Tool einen permanenten Zugriff auf die Entwicklungsschritte und konnte über die sogenannten User Stories die Entwicklung fachlich steuern. Mit Hilfe dieser agilen Vorgehensweise sinkt die Wahrscheinlichkeit von falschen Annahmen, Vorgaben und Entscheidungen im Rahmen des Entwicklungsprozesses erheblich und der Nutzer erhält in kürzester Zeit die erste Version des Produktes. Außerdem konnten dann im nächsten Sprint die künftigen Weiterentwicklungen abgestimmt bzw. Anpassungen am vorhandenen Modell werden. Das schaffte Transparenz und somit Vertrauen auf beiden Seiten.

Kommunen

Das Projekt wird in folgenden Kommunen umgesetzt:

Iserlohn, Nordrhein-Westfalen

50.000 bis 100.000 Einwohner

Stadt und Land

Mit Grid Insight: Heat werden die Anwender*innen der Lösung in die Lage versetzt, die historischen Wärmemengen zu analysieren und Wissen hinsichtlich der wichtigsten Treiber der Nachfrage und der Auswahl der Erzeugungseinheiten aufzubauen.

Folgende Funktionen stehen den Anwender*innen der Lösung zur Verfügung: Vorhersagen auf täglicher oder stündlicher Basis mit einer Genauigkeit von bis zu 95 Prozent, Bewertung der externen Einflussfaktoren auf die Nachfragemenge und Integration der Ergebnisse in die bestehenden Steuerungssysteme (z.B. Netzleitwarte) & Möglichkeit der Integration weiterer Module. Außerdem die Steigerung der Planungssicherheit für die Fernwärmeherstellung (z.B. Revisionsarbeiten), die Schaffung von Transparenz in der Nachfrage von Fernwärme und Outlier-Detection und Markierung von Ersatzwerten (Stammdatenqualität).

Beteiligte Projektpartner