KI-Anwendung in der Energietechnik: Einsatz maschineller Lernverfahren für die Wärmelastprognose - Prof. Dr.-Ing. Matthias Finkenrath Hochschule ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
KI-Anwendung in der Energietechnik:
Einsatz maschineller Lernverfahren für die Wärmelastprognose
Projektpartner
Bild: denisismagilov-stock.adobe
Prof. Dr.-Ing. Matthias Finkenrath
Hochschule Kempten
Team
Wissenschaftliche Mitarbeiter
• Till Faber - M. Eng. (Energietechnik)
• Fabian Behrens - M. Sc. (Informatik - Game Engineering)
• Stefan Leiprecht - M. Sc. (Informatik - Game Engineering)
Projektleitung
• Prof. Dr.-Ing. Matthias Finkenrath
Institut für Energie- und Antriebstechnik
Labor für Prozesssimulation
2 © Hochschule Kempten
Ausgangssituation & Überblick über Forschungsprojekte
Bild: Fotoclub Ulm
Bild: Steag
Bild: lambdalabs.com Bild: FUG
Bild: lambdalabs.com
3 © Hochschule Kempten
Überblick
Motivation für Erstellung von Wärmelastprognosen
• Optimierung von Anlageneinsatz bzw. Wärmebereitstellung
Ziele
• Benchmarking maschineller Lernverfahren (Prognosen bis zu 72 h im Voraus)
• Automatisierung der Prognosen & Bereitstellung über Web-Interface
• Wirtschaftliche Bewertung von Verbesserungen der Prognosegüte
Nutzen
• Identifizierung geeigneter maschineller Lernverfahren
• Einsparung fossiler Brennstoffe zugunsten erneuerbarer Energien
• Optimierung von Brennstoffbeschaffung oder Wartungsarbeiten
Wärmelastprognose ist eine zentrale Randbedingung für den
wirtschaftlichen Betrieb und die Vermeidung von CO2 Emissionen
4 © Hochschule Kempten
Datenbasis
Wärmelastgänge aus allen Fernwärmenetzen (Wohn-, Industrie- und Mischgebiete)
• Aktuelle & vergangene Lasten (bis zu 15 Jahre zurückliegend)
Beispiellastgang
über 3 Tage
Weitere Parameter:
• Wetterdaten
• kalendarische Daten (z.B. Stunde, Monat, Wochentag, Jahreszeit, Feiertag)
Umfangreiche Datenbasis zum Training, Validieren und Testen vorhanden
5 © Hochschule Kempten
Wetterdaten
• Verwendung statistisch aufbereiteter Wettervorhersagen vom Deutschen Wetterdienst (DWD)
• Basis sind frei zugängliche Vorhersagen („MOSMIX“),
verfügbar für ca. 5400 Standorte weltweit bis zu 10 Tage im Voraus, u.a.:
- Temperatur und Taupunkt in 2 m Höhe,
- Windgeschwindigkeit und -richtung,
- Niederschlagsmenge und -art,
- Sonnenscheindauer
- Luftdruck
• Tägliche Archivierung der Prognosen für alle Standorte seit 2020 an der Hochschule
Hochwertige standortgenaue Wetterprognosen sind verfügbar
6 © Hochschule Kempten
Datenanalyse
Analyse von Korrelationen in Bezug auf die Wärmelast (Auszug)
Korrelationskoeffizient nahe 1 oder -1: starke Korrelation
Korrelationskoeffizient nahe 0: keine/geringe Korrelation
Parameter Pearson (linear) MIC (nicht-linear)
Letzte Last 0,9905 0,9309
Durchschnittliche Last der letzten 6 Stunden 0,9718 0,9010
Temperatur -0,8304 0,5958
Jahreszeitwert (Sinus-Funktion) -0,8218 0,7948
Taupunkt -0,8073 0,5541
… … …
Jahr -0,1254 0,0613
Windrichtung -0,0825 0,0474
Datenanalyse unterstützt Auswahl wichtiger Einflussgrößen
Bildquelle:http://glossar.item24.com/de/start/view/glossary/ll/de%7Cen/item/korrelationsdiagramm/
7 © Hochschule Kempten
Datenaufbereitung
Aufbereitungsschritte
• Zusammenführen benötigter Daten (z.B. Last und Wetter)
• Plausibilitätsprüfung
• Korrektur fehlerhafter Daten und Vervollständigung von Datenlücken:
- Verfahren der Imputation, z.B. über Nächste Nachbarn Klassifikation (KNN)
- Verwendung von Nachbarwetterstationen
• Kategorisierung von Daten und Berechnung zusätzlicher Eingangsgrößen
• Ablegen der Daten in der Datenbank
• Aufteilung in Trainings-, Validierungs- und Testdaten
• Automatisierung der oben genannten Verarbeitungsschritte (stündliches Update)
Vielschichtige Aufbereitung zur Bereitstellung einer
fehlerfreien Datengrundlage erforderlich
8 © Hochschule Kempten
Untersuchte maschinelle Lernverfahren
1. Entscheidungsbäume
Aufteilung des Wertebereiches der Zielgröße (hier: Wärmebedarf) unter Berücksichtigung
externer Einflussgrößen
Werktag
Beispiel:
ja nein
Temperatur Temperatur
< 15°C > 15°C < 15°C > 15°C
Last = Last = Last = Last =
5 MW 4 MW 3 MW 2 MW
Einfaches & gut nachvollziehbares Verfahren
9 © Hochschule Kempten
Untersuchte maschinelle Lernverfahren
2. Künstliche Neuronale Netze
Zusammenhang zwischen Daten muss vom Netz erlernt werden
Beispiel: Eingangsdaten Modell Prädiktion
Temperatur
Werktag
Windrichtung
Feiertag Wärme-
Vortagslast last
Stunde
Wochentag
Luftdruck
Wachsende Bedeutung durch größere Datenmengen,
höhere Rechenleistungen & verbesserte Algorithmen
10 © Hochschule KemptenUntersuchte maschinelle Lernverfahren
„Deep Learning“
Sonderfall künstlicher neuronaler Netze mit umfangreicher bzw. komplexer innerer Struktur
Beispiel Long-Short-Term-Memory Zelle (LSTM):
• Erlaubt längerfristige Speicherung von Informationszuständen („Gedächtnis“)
• Möglichkeit der Verknüpfung von Zusammenhängen, die zeitlich länger auseinander liegen
• Aktuelle Frameworks verfügbar (z.B. Google Tensorflow)
Stand der Technik in Sprach- und Bilderkennung,
hohes Potenzial auch für die Fernwärmelastprognose
11 © Hochschule Kempten Bild: http://www.onalytica.com/wp-content/uploads/2017/05/Word-Cloud-2.pngUntersuchte maschinelle Lernverfahren
3. Ensemble Methoden
Kombination mehrerer Lernverfahren („Stacking“)
Einzel- Übergeord-
Lernverfahren (Beispiel) netes Lern-
verfahren
Random Forest
AdaBoost
Eingangs- Meta- Meta- Wärme-
daten daten modell last
FNN
LSTM
Weitere Steigerungen der Prognosegenauigkeit durch
Kombination verschiedener Lernverfahren erwartet
12 © Hochschule Kempten – Prof. Dr.-Ing. Matthias FinkenrathBeispiele untersuchter Verfahren
Autoregressive Verfahren
• SARIMAX (Seasonal Autoregressive Integrated Moving Average Exogenous model)
Entscheidungsbäume
• Random Forest
• AdaBoost (Adaptive Boosting)
• Extreme Gradient Boosting
Neuronale Netze
• Echo State Network (ESN)
• LSTM (Long short-term memory)
Unterschiedliche Typologien,
Training & Vergleich für Winter, Sommer, Übergangszeit und über ein ganzes Jahr
13 © Hochschule KemptenBeispielprognose
Vergleich einer 72 h-Vorhersage mit der tatsächlich eingetretenen Last
Absoluter Prozentualer Fehler [%]
25 100
20
Fernwärmelast [MW]
80
15 60
10 40
5 20
0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 52 56 60 64 68 72
Zeit [h]
Prädiktionen über 72 h-Intervall mit hoher Genauigkeit möglich
14 © Hochschule KemptenVergleich der Prognosefehler 72 h im Voraus
Zeitraum Prognosefehler
ESN 15,7 Gütemaß: Normalized Mean
Random Forest 14,3 Absolute Error (nMAE)
Gesamtjahr SARIMAX 11,5
AdaBoost 8,5
1 n n
LSTM 7,5
n
∑ ei ∑ ei
ESN 15,2 nMAE = i=0n = i=0n
1
∑ di ∑
Random Forest 13,3
SARIMAX 14,7 di
Sommer AdaBoost 9,1 n i=0 i=0
LSTM 9,5
ESN 26,4
Random Forest 15,7
SARIMAX 12,3
Übergang AdaBoost 9,1
LSTM 7,8
ESN 10,2
Random Forest 9
SARIMAX 4,7
AdaBoost 4,7
Winter LSTM 4,1
0 5 10 15 20 25 30
nMAE (%)
Lernverfahren „LSTM“ und „AdaBoost“ zeigen höchste Prognosegüten
15 © Hochschule KemptenWirtschaftliche Auswirkungen unterschiedlicher Prognosegüten
Erwartung
• Genauere Lastprognose ermöglicht wirtschaftlicheren Betrieb
Herausforderung
• Quantifizierung des Vorteils genauerer Lastprognosen ist schwierig,
da sich der reale Anlageneinsatz nicht wiederholen lässt
Lösungsansatz
• Untersuchung des Einflusses unterschiedlicher Lastprognosen mittels
numerischer Anlageneinsatzplanungsoptimierung:
1. Optimierung mit gemessener Wärmelast („Referenzfall“, Optimum)
2. Wiederholung der Optimierung mit Wärmelast
mit 5 %, 10 % und 15 % aufgeprägtem mittlerem Prognosefehler
Numerische Anlageneinsatzplanungsoptimierung ermöglicht
systematische Untersuchung des Fehlereinflusses
16 © Hochschule KemptenWirtschaftliche Auswirkungen unterschiedlicher Prognosegüten
Spitzenlastkesseleinsatz bei unterschiedlichen Prognosegüten
140% Abrufhäufigkeit Volllaststunden
118% 119%
relative Abweichung zu 120% 111% 111%
gemessenen Werten 103% 101%
100%
80%
60%
40%
20%
0%
5 % Prognosefehler 10 % Prognosefehler 15 % Prognosefehler
Steigende Betriebskosten (Brennstoff, CO2, Verschleiß, etc.)
bei steigendem Prognosefehler
17 © Hochschule KemptenDarstellung in Webanwendung
B
Automatisierte Datenverarbeitung & Live-Testbetrieb auf Server der Fernwärme Ulm,
Zugriff über alle Geräte (PC, Handy) aus Firmennetz möglich
18 © Hochschule KemptenWebanwendung – weitere Features
Weitere Features (Wetterdaten, Regenradar) wurden
in die Webanwendung implementiert
19 © Hochschule KemptenBeispiele für Übertragbarkeit der Methodik
auf andere Zeitreihen- bzw. Bedarfsprognosen
Anwendungsbeispiele:
• Wärme- / Kältebedarfsprognosen Optimierung von:
• Strombedarfsprognosen - Anlageneinsatz, Wartung
- Wärmespeichereinsatz
• Prognose des Gasverbrauches
- Einkauf
• Rohstoffbedarf (Gas/Strom/Wärme/Rohstoffe/Waren)
• Maschineneinsatz
• Vorhersage von Preisentwicklungen usw.
Methodik ist auf viele Problemstellungen und andere Nutzerkreise übertragbar
20 © Hochschule KemptenZusammenfassung & Ausblick
• Maschinelle Lernverfahren wurden evaluiert &
besonders geeignete ermittelt.
• Die Lastprognosen laufen vollautomatisiert über ein
Webinterface beim Fernwärmeunternehmen.
• Weitere Lernverfahren werden untersucht & eine
Automatisierung des Lernvorgangs implementiert
(“selbstlernende Verfahren”).
• Methodik ist auf viele Problemstellungen und andere
Nutzerkreise übertragbar. Bild: denisismagilov-stock.adobe
Projekthomepage: www.deepDHC.de
Das in diesem Vortrag zugrundeliegende Vorhaben wurde aus Mitteln des Bundesministeriums für Wirtschaft und Energie (BMWi)
unter dem Förderkennzeichen 03EN3017 gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor.
21 © Hochschule KemptenVeröffentlichungen & Patentanmeldungen
[1] Leiprecht, S., Behrens, F., Faber, T., Finkenrath, M.: A comprehensive thermal load forecasting analysis based on machine
learning algorithms, Energy Reports, Volume 7, Supplement 4, October 2021, Pages 319-326,
https://doi.org/10.1016/j.egyr.2021.08.140
[2] Finkenrath, M., Faber, T., Behrens, F., Leiprecht, S.: Holistic modelling and optimisation of thermal load forecasting, heat
generation and plant dispatch for a district heating network. 34rth International Conference on Efficiency, Cost, Optimization,
Simulation and Environmental Impact of Energy Systems, June 27 - July 2, 2021, Taormina, Italy
[3] Faber, T., Finkenrath, M.: KWK-Flex - Hochflexible stromgeführte Kraft-Wärme-Kopplung durch thermische Speicher und
"Power-to-Heat"-Technologien, AGFW Forschungsbericht, AGFW Projektgesellschaft für Rationalisierung, Information und
Standardisierung mbH, Frankfurt am Main, 2020, ISBN 3-89999-085-4
[4] Finkenrath, M., Faber, T.: KWK-Flex - Anwenderleitfaden für die Fernwärmebranche, Hochschule Kempten, 2020
[5] Finkenrath, M., Faber, T.: Optimierte Wärmelastprognose mittels Deep Learning, Kraftwerkstechnik 2019, ISBN 978-3-
934409-93-4, 2019
[6] Faber, T., Finkenrath, M.: Lastprognose für Wärmenetze, 5. KWK.NRW-Forum: Perspektiven für die KWK in NRW, 2019
[7] Faber, T., Groß, J., Finkenrath, M.: Innovative Lastprognosen mit »Deep Learning«-Methoden, EuroHeat&Power, 2018,
Volume 47, 1-2, pp. 35-38
[8] Faber, T.; Brauer, J.; Finkenrath, M.; Mayer, W.; Schott, M: Optimierung eines Querverbundsystems mittels neuronaler Netze.
Europäische Patentanmeldung EP3.432.234.A1. 2017
22 © Hochschule KemptenSie können auch lesen
