Werbung
Symbolbild für künstliche Intelligenz in der Fernwärme, Foto: pexels.com/ Kaique Rocha Normalerweise denken wir bei Smart-Grids an die Stromnetze, die eine schwankende Stromerzeugung mit erneuerbaren Energien, die Speicherung und den Verbrauch optimal aufeinander abstimmen. Aber an Wärmenetze denkt dabei heute noch keiner. Doch auch bei der Fernwärme können wir Erzeugung, Speicherung und Verbrauch optimieren, um Kosten und CO2-Emissionen einzusparen. Mit der Hilfe von künstlicher Intelligenz können wir Spitzenlasten in der Erzeugung reduzieren, Wärme in den Häusern speichern und den Verbrauch, wenn möglich verlagern. Für diese Technologie habe ich in den letzten Tagen zwei interessante Beispiele entdeckt, die ich hier gerne vorstellen möchte. Eine stammt von der Hochschule Kempten und die andere vom finnischen Start-up Leanheat.
Gibt es ein Smart-Grid für die Fernwärme?
Zunächst möchte ich klären was ein Smart-Grid ist. Wenn wir von der Definition des Smart-Grid bei Wikipedia alles was mit Strom zu tun hat weglassen oder durch „Wärme“ ersetzen, erhalten wir den Satz:
„Der Begriff intelligentes Netz (englisch smart grid) umfasst die kommunikative Vernetzung und Steuerung von Wärme-Erzeugern, Wärmespeichern, Verbrauchern und Netzbetriebsmitteln in Energieübertragungs- und -verteilungsnetzen der Wärmeversorgung.“
Bei der Definition des Smart-Grid beim Umweltbundesamt müssen wir nicht einmal Wörter austauschen. Es könnte dabei auch um die Wärmeversorgung gehen. Als einzigen Unterschied sehe ich, dass wir noch fast nur Wärmenetze haben mit wenigen Einspeisern. Das könnte sich in Zukunft ändern bei Wärmenetzen 4.0 mit vielen Wärmequellen und geringen Temperaturen.
In Deutschland klingt das ungewöhnlich. Wir haben nur einen geringen Anteil von Fernwärme an der Wärmeversorgung. Dieser liegt für den Bereich Wohnungen, je nach Quelle zwischen fünf und sieben Prozent. Doch punktuell kann das durchaus Sinn machen, in anderen Ländern ist der Fernwärme-Anteil deutlich höher und mit Wärmenetzen 4.0 kann es einen Wachstum bei Wärmenetzen geben. Das Thema kann also auch relevant sein in Deutschland.
Es geht also um die intelligente Vernetzung von Wärmeerzeugern, Speicher (damit ist die Speicherfähigkeit der Gebäude gemeint) und Verbraucher. Verwendet wird ein Lastmanagement und eine Flexibilisierung der Nachfrage mit dem Ziel Energie und Kosten einzusparen. In der Wärmeversorgung ist das Smart-Grid also durchaus auch möglich.
Hochschule Kempten nutzt künstliche Intelligenz für Lastprognose
Die Hochschule Kempten hat ein Verfahren entwickelt zur Verbesserung der Genauigkeit von Lastprognosen der zu erwartenden
Fernwärmelast. Dadurch können Betreiber von Fernwärmenetzen die Wärme besonders effizient und klimafreundlich bereitstellen, wie es in der Pressemitteilung heißt.
Der Lastverlauf in Fernwärmenetzen folgt charakteristischen Mustern, die zum Beispiel vom Wochentag, von der Tageszeit und der Temperatur abhängen. Diese Muster nutzt das Verfahren der Hochschule Kempten, wie Till Faber, der als wissenschaftlicher Arbeiter maßgeblich an der Entwicklung beteiligt war:
„Moderne Verfahren der Künstlichen Intelligenz haben bewiesen, dass sie Muster mit sehr hoher Genauigkeit erkennen. Dadurch ist zum Beispiel die Spracherkennung in Handys in den letzten Jahren sehr leistungsstark geworden, mit Fehlerraten von wenigen Prozent. Wir wenden vergleichbare Verfahren zur Prognose von Lastverläufen in Wärme- oder Kältenetzen mit ähnlichen Genauigkeiten an. Die Prognoseverfahren benötigen dabei keine Messdaten einzelner Verbraucher, sondern lediglich aggregierte Datenreihen, z.B. Informationen aus regionalen Wetterprognosen.“
Ergänzung von Prof. Matthias Finkenrath, der das vom Bundesministerium für Wirtschaft und Energie geförderte Forschungsprojekt KWK-Flex leitet, in dem das neuartige Verfahren erarbeitet wurde:
„Entscheidend für die Entwicklung war das Zusammenspiel von Anwenderwissen aus Maschinenbau und Energietechnik mit Methodenkompetenz aus der Informatik, insbesondere durch Kollege Prof. Brauer. So ist ein leistungsstarkes und flexibles maschinelles Lernverfahren auf Basis des sogenannten „Deep Learning“ entstanden, das sich auch auf weitere Anwendungsgebiete der Energie- und Versorgungstechnik übertragen lässt.“
Das neue Lastprognoseverfahren wird im Projekt KWK-Flex zusammen mit den Projektpartnern Fernwärme Ulm GmbH und ZAK Energie GmbH an deren Fernwärmeversorgungsanlagen validiert und optimiert.
Als großen Vorteil dieser Art der Optimierung sehe ich, dass keine Messdaten von den Verbrauchern benötigt werden, um das Netz zu optimieren. Allerdings gibt es noch keine Zahlen, wie hoch die mögliche Einsparung ist.
Foto: pixabay/ geralt Leanheat vermeidet Lastspitzen der Fernwärme mit künstlicher Intelligenz
Anders ist es bei dem Verfahren von dem finnischen Start-up Leanheat. Mit Hilfe von Sensoren in den Wohnungen bezieht dieses Verfahren die klimatischen Verhältnisse in den Wohnräumen mit ein. Somit können sie Wärme im Gebäude speichern, um den Verbrauch zeitlich zu verlagern und Lastspitzen zu vermeiden. Dies spart, nach Angaben von Leanheat, bis zu 20 Prozent und vermeidet Investitionen in teure Kapazitäten für die Spitzenlast.
Das Gebäudemanagement kann zusätzlich bei der Lüftung und Wartung ansetzen und für besseres Innenraumklima, sowie geringere Wartungskosten sorgen. Und bei der Fernwärme kann das Lastmanagement Engpässe in der Hydraulik der Leitungen beheben.
Wie ist das möglich? Das System von Leanheat kennt durch die Sensoren den Bedarf an Wärme und weiß aus Erfahrung, wie das Gebäude sich bei Änderungen des Wetters verhält. Eine zuverlässige Wettervorhersage hilft der künstlichen Intelligenz bei der vorausschauenden Planung der Wärmeverteilung. So kann, bei einem zu erwartenden Anstieg des Wärmebedarfs, bereits vorher die Temperatur erhöht werden, ohne dass die Bewohner eine Veränderung spüren. Die Wärme wird im Gebäude gespeichert. Damit ist der Anstieg des Wärmebedarfs nicht mehr so hoch und die Verbrauchsspitze reduziert. Das System berechnet die mögliche Verlagerung des Verbrauchs für jedes Gebäude, bzw. für jede Wohnung selbständig aus.
Künstliche Intelligenz sorgt für Smart-Grid in der Fernwärme
Mir kommt das bekannt vor, denn es erinnert an so manches Angebot für die Heizung im Smart-Home. Nur die Verlagerung der Wärmeversorgung durch die Einbindung der Fernwärme gab es bisher noch nicht. Ich glaube wir können in Zukunft noch mehr solcher Lösungen sehen, insbesondere dann wenn wir mehr mit dezentraler Einspeisung arbeiten und große Wärmespeicher nutzen. Daher sind diese beiden Lösungen erst der Anfang von künstlicher Intelligenz in der Fernwärme.
Was glaubt Ihr, hat das Thema auch in Deutschland eine Zukunft?
