FlexLearn - Verallgemeinerte Prognose von Lasten und Flexibilitätspotenzialen für den Betrieb von Wärmepumpen durch Transfer- und Multitasking-Lernen

Abstract

Flexibilität im Energiesystem ist notwendig, um wetterabhängige erneuerbare Energien bedarfsgerecht zu integrieren und Infrastrukturen zu entlasten. Die Kopplung von Wärme- und Stromsektor schafft hierfür Synergien. Wärmepumpen verbinden beide Sektoren, wofür präzise Prognosen von Wärmebedarf, Erzeugung, Stromverbrauch und Flexibilitäten erforderlich sind. Hauptziel des Projektes war es, mit Hilfe von Fundamentalmodellen und Maschinellen Lernverfahren Prognosen des Betriebsverhaltens und des Flexibilitätspotenzials einzelner sowie gepoolter Wärmepumpen abzuleiten. Im Rahmen der durchgeführten Projektarbeiten wurden umfangreiche Analysen auf Basis realer SCADA-Daten von mehreren hundert in Deutschland verteilten Wärmepumpen durchgeführt. Der Datensatz umfasste detaillierte Informationen zu Stromverbrauch, Wärmeerzeugung, Temperaturen und Systemzuständen mit hoher zeitlicher Auflösung. Die Datenanalyse zeigte, dass selbst baugleiche Wärmepumpen bei identischen Außentemperaturen sehr unterschiedliches Verhalten aufweisen – bedingt durch Unterschiede im Gebäude, in der Systemauslegung und im Nutzerverhalten. Besonders die Taktung der Geräte sowie starke Gradienten in der Wärmeerzeugung bzw. im Stromverbrauch erschweren die Erstellung von Prognosen auf Einzelanlagenebene. Im Gegensatz dazu lassen sich durch Aggregation mehrerer Wärmepumpen deutlich glattere Zeitverläufe erzielen. Im zweiten Arbeitspaket wurden verschiedene Benchmarkmodelle zur Lastprognose entwickelt. Neben klassischen Regressionsverfahren kamen auch multivariate Modelle und neuronale Netze zum Einsatz. Die Ergebnisse zeigten, dass rein temperaturbasierte Modelle nicht ausreichen, während Modelle mit zusätzlichen Eingangsgrößen – wie vergangenen Verbrauchsdaten – deutlich bessere Prognosegüten aufweisen. Neuronale Netze bildeten insbesondere die Ein- und Ausschaltzyklen realitätsnäher ab. Die Aggregation selbst weniger Wärmepumpen reduzierte den Prognosefehler deutlich, wobei der Effekt mit zunehmender Anzahl asymptotisch abnahm. Das dritte Arbeitspaket untersuchte Transfer-Learning-Ansätze, bei denen Modelle auf einem großen, heterogenen Datensatz trainiert und anschließend ohne weitere Kalibrierung auf neue, unbekannte Anlagen angewendet wurden. Hierbei zeigte sich, dass Transfer-Learning auch ohne Kenntnis historischer Daten der Zielanlage verlässlichere Vorhersagen liefern kann als individuell trainierte Modelle. Besonders XGBoost und LSTM-Modelle lieferten robuste Ergebnisse über verschiedene Prognosehorizonte hinweg. Im letzten Arbeitspaket wurden verschiedene Verfahren zur Identifikation und Prognose des Flexibilitätspotenzials einzelner Wärmepumpen und ganzer Portfolios entwickelt. Physikbasierte Modelle verknüpften reale Messdaten mit systemtechnischen Annahmen und ermöglichten eine modellbasierte Abschätzung verschiebbarer Lastanteile. Ergänzt wurden diese durch probabilistische Prognosen mittels quantiler neuronaler Netze, welche für verschiedene Wahrscheinlichkeitsniveaus Aussagen über die voraussichtliche Leistungsaufnahme erlauben. Insbesondere bei Aggregation mehrerer Anlagen ergaben sich stabile Einhüllende der Stromverläufe, sodass sich auch für längere Vorhersagehorizonte (z. B. 24 h) verlässliche Aussagen zum Flexibilitätspotenzial treffen lassen.