Liebe Leserinnen und Leser,
In der 50. Ausgabe unseres heatbeat-Forschungsnewsletters werfen wir einen Blick auf zwei Forschungsarbeiten auf dem Gebiet der Wärmelastvorhersage und der optimalen Integration von Überschusswärme in Fernwärmenetzen.
Das erste Paper ist "A Novel Heat Load Prediction Algorithm Based on Weighted Fuzzy C-Mean Clustering and Feature Attention Enhanced Informer" von Song et al., in dem die Leistung eines neuen Algorithmus zur Wärmelastvorhersage im Vergleich zu anderen Algorithmen nach dem Stand der Technik bewertet wird. Das zweite Paper " Strategic Integration of Urban Excess Heat Sources in District Heating: A Spatio-Temporal Optimisation Methodology" von Kumar et al. konzentriert sich auf ein raumbezogenes Optimierungsmodell, um die optimale Integration von Überschusswärmequellen in das Stockholmer Fernwärmesystem zu finden.
In der ersten Forschungsarbeit wird ein neuartiges Wärmelastvorhersagemodell für Fernwärmesysteme vorgeschlagen, das Weighted Fuzzy C-Mean (WFCM) Clustering mit einem Feature Attention Enhanced Informer (FAE-Informer) kombiniert. Ziel ist es, die Vorhersage der Wärmelast zu verbessern, die für die Optimierung der Effizienz und der Betriebskosten von intelligenten Fernwärmesystemen (SDHS) von entscheidender Bedeutung ist.
Das WFCM-Cluster weist den Merkmalen Gewichte zu, um die räumliche Verteilung der Wärmelastdaten, insbesondere in mehrdeutigen Regionen, besser zu erfassen. Dieser unüberwachte Ansatz verbessert die Genauigkeit des Clusterns, indem er die Bedeutung der verschiedenen Merkmale im Wärmelastdatensatz effektiv aufdeckt. Andererseits beinhaltet der FAE-Informer duale Aufmerksamkeitsmechanismen: Feature Attention zur dynamischen Identifizierung kritischer Merkmale und Sparse Attention zur effizienten Modellierung langfristiger Abhängigkeiten. Zusammen verbessern diese Techniken die Vorhersagegenauigkeit und die Berechnungseffizienz erheblich.
Das Modell wurde anhand von Daten von vier Wärmeübergabestationen in Nordchina evaluiert, wobei der vorgeschlagene Algorithmus einen mittleren absoluten prozentualen Fehler (MAPE) von 2,812 %, 2,980 %, 2,518 % und 1,665 % über diese Stationen hinweg erzielte und damit die modernsten Algorithmen wie LSTNet, Informer und DeepAR übertraf. Ablationsexperimente bestätigten die individuellen Beiträge von WFCM und Feature-Attention-Mechanismen zur Gesamtleistung des Modells.
Die Studie zeigt das Potenzial hybrider Clustering- und Aufmerksamkeitsmechanismen zur Bewältigung der Komplexität von Wärmelastvorhersagen, insbesondere bei der Handhabung nichtlinearer und hochvolatiler Datensätze. Zukünftige Forschungsarbeiten sollten die Einbeziehung von Innentemperaturdaten, die weitere Optimierung der Modellarchitektur und die Ausweitung der Anwendungen auf andere Zeitserienvorhersageszenarien untersuchen.
Das zweite Forschungspapier stellt eine räumlich-zeitliche Optimierungsmethode für die Integration von städtischen Wärmeüberschüssen (UEH) in Fernwärmesysteme (DHS) vor, um den Bedarf an nachhaltigen Wärmelösungen inmitten des Übergangs der EU weg von fossilen Brennstoffen zu decken. UEH, die aus Quellen wie Rechenzentren, Kläranlagen und U-Bahn-Tunneln stammt, stellt ein weitgehend ungenutztes Potenzial zur Deckung des städtischen Wärmebedarfs dar. Herausforderungen wie niedrige Temperaturen, hohe Anschlusskosten und variable Energiemarktdynamik haben jedoch die Einführung dieser Technologie behindert.
In der Studie wird ein Rahmenwerk entwickelt, das drei Open-Source-Tools kombiniert: georäumliche Optimierung für die Kartierung von Wärmequellen und Netzerweiterungen, langfristige Planung zur Bewertung der Investitionsfähigkeit und kurzfristige Einsatzanalyse für die betriebliche Machbarkeit. Die Anwendung dieses Rahmens auf das Stockholmer DHS, wo 80 % der Gebäude angeschlossen sind, zeigt, dass die Nähe zu bestehenden Leitungen (innerhalb von 5 km) und das Anschlussvolumen die Durchführbarkeit der UEH-Integration erheblich beeinflussen. Rechenzentren erweisen sich aufgrund höherer Temperaturen und geringerer Anschlusskosten als die rentabelsten Quellen. Die Szenarien zeigen, dass niedrigere Netztemperaturen die Nutzung von UEH verbessern, aber höhere Strompreise die wirtschaftliche Rentabilität von Niedrigtemperaturquellen wie Supermärkten und Eislaufplätzen einschränken.
Die Methode unterstreicht, wie wichtig es ist, räumliche, wirtschaftliche und zeitliche Überlegungen für die Integration von UEH in Einklang zu bringen. Sie zeigt, dass DHS mit optimierten Investitions- und Betriebsstrategien UEH-Quellen effektiv einbinden können und so zu geringeren Emissionen und einer verbesserten Energieresilienz beitragen. Zukünftige Forschungen könnten den Rahmen verfeinern, um detailliertere betriebliche Einschränkungen, dynamische Preismodelle und Strategien zur Zusammenarbeit mit Interessengruppen einzubeziehen und so die Anwendbarkeit auf verschiedene städtische Kontexte zu erweitern.
Wie immer empfehlen wir, die Artikel vollständig zu lesen. Beide Forschungsthemen sind interessante und innovative Bereiche auf dem Gebiet der Fernwärmenetze. Daher sind wir derzeit auch an zwei aktiven Forschungsprojekten beteiligt, die diese Themen erforschen. Das Erste ist "BeStWärmKI" , in dem wir zusammen mit unseren Projektpartnern Vorhersagemodelle mit unseren Simulationsmodellen kombinieren. Das zweite Projekt heißt "AI-X-Heat" , in dem wir neue, räumlich aufgelöste Optimierungsmodelle für unseren digitalen Zwilling entwickeln. Die nächste Ausgabe unseres Newsletters wird am 8. Januar 2025 erscheinen. Wenn Sie nicht bis zum nächsten Newsletter warten wollen, können Sie an unserem Webinar über Wärmenetzprojekte mit und ohne kommunale Wärmeplanung unter "https://www.enerpipe.de/seminarinfo/online-seminar-waermenetze-mit-und-ohne-kommunale-waermeplanung." teilnehmen.
