EnEff:Wärme: ILSE - Intelligente lernende Systeme in Energieverbünden

Abstract

1. Derzeitiger Stand von Wissenschaft und Technik: Die Digitalisierung in der Fernwärme gewinnt stark an Bedeutung. Darunter fällt auch das Thema der Nutzung von künstlicher Intelligenz. Digitale Messdaten aus Hausstationen liegen zunehmend vor, der Einsatz von maschinellen Lernverfahren (ML) zur Erkennung ungewöhnlicher Betriebszustände steht jedoch noch am Anfang. Im AGFW-Regelwerk sind die Themen Digitalisierung oder Künstliche Intelligenz derzeit nur untergeordnet oder nicht vertreten.

2. Begründung/Zielsetzung der Untersuchung: Einer der vielen Ansatzpunkte zum Einsatz von ML in der Fernwärme ist die Erkennung von Anomalien und fehlerhaften Zuständen an HAST für die vorausschauende Instandhaltung (Predictive Maintenance) und zur Unterstützung der Störungsbehebung. Hier setzt das Forschungsvorhaben ILSE an.

3. Methode: Auf Basis realer Betriebs- und Störungsdaten wurden nach CRISP-DM Daten aufbereitet, kuratiert und manuell gelabelt. Darauf aufbauend wurden verschiedene ML-Modelle, Metriken und synthetische Datengenerierung erprobt sowie ein Daten- und Störungsmodell, KPIs und ein Integrationskonzept in die Monitoring-Software MetricX entwickelt. Begleitende Lead-User- und Evaluationsworkshops stellten die Nutzerzentrierung sicher.

4. Ergebnis: Es konnten belastbare Datensätze und Prototypen zur Erkennung ungewöhnlicher Betriebszustände entwickelt werden. Synthetische Verfahren verbesserten die Erkennung von Störungen nicht, können aber störungsfreie Trainingsdaten ergänzen.

5. Schlussfolgerung/ Anwendungsmöglichkeiten: Lernende Systeme sind grundsätzlich geeignet, Störungen in Hausstationen früher zu erkennen und so Instandhaltung planbarer zu machen und Ausfälle zu reduzieren. Für den Transfer in andere Netze sind Datenqualität, Standardisierung und geeignete Prozesse entscheidend; hier besteht weiterer Forschungs- und Umsetzungsbedarf.