Liebe Leserinnen und Leser,
In der 52. Ausgabe unseres heatbeat Newsletters werfen wir einen Blick auf eine kürzlich veröffentlichte Forschungsarbeit auf dem Gebiet der datengetriebenen Modelle in der Fernwärme.
Die Studie „Enhanced methodology for disaggregating space heating and domestic hot water heat loads of buildings in district heating networks“ von Borgato et al. untersucht verschiedene lineare Regressionsmodelle zur Aufteilung des Raumwärme- und Warmwasserbedarfs auf der Grundlage von Fernwärmemessdaten.
Der Artikel stellt eine fortschrittliche Methode zur Aufschlüsselung von Raumwärme- (SH) und Trinkwarmwasser-Wärmelasten (DHW) in Fernwärmenetzen vor und geht dabei auf die Grenzen bestehender Modelle ein, die mit täglichen und saisonalen Schwankungen zu kämpfen haben. Die Fähigkeit, den Raumwärme- und Trinkwarmwasserverbrauch genau zu trennen, ist für die Optimierung des Wärmenetzbetriebs, die Verbesserung der Energieeffizienz und die Unterstützung von Nachrüstungsmaßnahmen in Gebäuden unerlässlich.
In dem Artikel werden vier verschiedene regressionsbasierte Modelle zur Verbesserung der Aufschlüsselung der Wärmelast bewertet, die jeweils die herkömmliche Methode der Energiesignaturkurve (ESC) verbessern:
Die Modelle wurden anhand von Daten aus 27 Gebäuden in Tartu, Estland, getestet, wobei intelligente Zählerstände und Klimadaten verwendet wurden. Zur Bewertung der Modellgenauigkeit wurden verschiedene Leistungskennzahlen (Key Performance Indicators, KPIs) herangezogen, darunter R²-Werte, jährliche Energieverbrauchsabweichung (YEC), Winter- und Sommer-Energieverbrauchsabweichungen (WEC, SEC) sowie neue qualitative Metriken wie Dynamic Time Warping Distance (DTWD) und Percentage of Matching Labels (PML, PMLHR).
Die Studie zeigt, dass das Eref-24-Modell die hochmoderne CPT-1-Methode in mehrfacher Hinsicht deutlich übertrifft:
Die verbesserte Disaggregationsmethodik hat erhebliche Auswirkungen auf das Wärmenetz-Management. Sie ermöglicht eine bessere Bedarfsprognose, die Integration erneuerbarer Energiequellen und die Optimierung der Wärmeversorgungsstrategien. Die Betreiber können diese Erkenntnisse zur Feinabstimmung der Wärmeerzeugung nutzen, um Ineffizienzen zu verringern und die Betriebskosten zu senken.
Die Studie stellt einen großen Fortschritt bei der Aufschlüsselung der Wärmelast dar, wobei sich das Eref-24-Modell als der genaueste und zuverlässigste Ansatz erweist. Durch die Verbesserung der saisonalen Erkennung, die Erfassung stündlicher Schwankungen und die bessere Abschätzung des Warmwasserverbrauchs liefert diese Methode wertvolle Erkenntnisse für die Wärmenetz-Optimierung, die energieeffiziente Nachrüstung und klimafreundliche städtische Heizlösungen.
Wie immer empfehlen wir, den Artikel vollständig zu lesen. Außerdem möchten wir einen kleinen Hinweis in eigener Sache teilen: Neben diesem Research Newsletter und verschiedenen Blog-Einträgen haben wir unseren Blog um ein monatliches Feature-Update erweitert, das wichtige Entwicklungen und neue Features in unserem heatbeat Digital Twin zusammenfasst. Den Eintrag dazu finden Sie unter "https://heatbeat.de/de/blog/64/"
Die nächste Ausgabe unseres Newsletters wird am 5. März 2025 erscheinen.
