PredictIT: Open Source Software zur Optimierung von Nah- und Fernwärmenetzen
Diese nahezu wartungsfreien und kostengünstigen Wärmelieferanten können nun mit der kostenlosen PredictIT Software noch weiter optimiert werden, die von den ACR-Instituten V-Research, AEE INTEC und GET entwickelt wurde.
„Wir nutzen die Digitalisierung im Energiemarkt, um das individuelle Wissen für eine breite Masse nutzbar zu machen“, fasst Katharina Dimovski, Forscherin bei V-Research, die Motivation hinter dem Projekt zusammen. In einem zweijährigen Projekt, das vom Bundesministerium für Arbeit und Wirtschaft kofinanziert wurde, konnten die wichtigsten wissenschaftlichen Fragestellungen gelöst und aussichtsreiche Algorithmen auf Basis künstlicher Intelligenz (KI) in die PredictIT Software integriert werden.
Predict-IT erstellt Prognosen für die Wärmelast und Netzauslastung von Fernwärmenetzen auf der Grundlage von historischen Daten und Wettervorhersagen. Der Vorhersagealgorithmus ist ein hochmodernes neuronales Netz auf LSTM-Basis (Long Short-Term Memory). Mit einem Minimum an Eingabedaten lieferte Predict-IT bei der Validierung mit realen Daten von zwei österreichischen Fernwärmenetzen realistische Wärmelastprognosen. Ein Schwerpunkt lag auf der Definition der Hyperparameter und der Beschränkung der Datenmenge für das Training der KI. Schlussendlich wurde der Gittersuchansatz von KerasTuner verwendet, um einen Bestand von Hyperparametern zu erhalten, die zufriedenstellende Vorhersagen liefern. Das Modelltraining wurde auf einer NVIDIA Quadro P2000 Grafikkarte durchgeführt. Die Software stellt also keinen besonders hohen Hardwareanforderungen, damit Nahwärmbetreiber nicht in kostenintensive Computer investieren müssen.
Für gängige Prozessleitsysteme, die in Österreichs Fernwärmen eingesetzt werden, können die Betriebsdaten direkt über Schnittstellen eingelesen werden. Data Mining Algorithmen zur Normalisierung, Umgang mit fehlenden Werten, oder zur Vorbereitung von Teilstichproben übernehmen die Aufbereitung der Daten, etwa mittels der Python Bibliothek Tensorflow. Danach sind lediglich einige Parameter, wie Standort, Prognosehorizont oder die Intervalle der Auswertung zu wählen und falls bereits ein Trainingsmodell vorhanden ist, erfolgt umgehend die Prognose. Anderenfalls wird dieses automatisch erstellt und angewendet. Wetterprognosen importiert PredictIT selbständig. Die Benutzerschnittstelle wurde durch das Web-Framework Django realisiert. Predict-IT zeichnet sich damit durch eine benutzerfreundliche webbasierte Nutzung und Installation (via Docker) aus.
Die Ergebnisse sind vielversprechend, auf Basis der Ergebnisse von predictIT und Lösungen der GET und AEE-Intec, wie Optimierung der Volumenströme, oder Einbau von Pufferspeichern kann der Primärenergieeinsatz um bis zu 10 % reduziert werden. Selbstverständlich sind Nahwärmebetreiber dazu aufgerufen selbst Gebrauch von der Software zu machen Sie ist unter der GNU General Public License 3 (GLP v3), sowohl im privaten als auch im kommerziellen Bereich kostenlos verfügbar.
Interessenten können per [Arno.Grabher-Meyer@v-research.at] weitere Informationen oder die Software mit Unterstützung bei der Implementierung anfragen. Auch wenn es derzeit schwer vorstellbar ist, aber der nächste Winter kommt bestimmt und bis dahin helfen die ACR-Experten und Expertinnen gerne bei der Effizienzsteigerung von Nahwärmenetzen.
„Wir nutzen die Digitalisierung im Energiemarkt, um das individuelle Wissen für eine breite Masse nutzbar zu machen“, fasst Katharina Dimovski, Forscherin bei V-Research, die Motivation hinter dem Projekt zusammen. In einem zweijährigen Projekt, das vom Bundesministerium für Arbeit und Wirtschaft kofinanziert wurde, konnten die wichtigsten wissenschaftlichen Fragestellungen gelöst und aussichtsreiche Algorithmen auf Basis künstlicher Intelligenz (KI) in die PredictIT Software integriert werden.
Predict-IT erstellt Prognosen für die Wärmelast und Netzauslastung von Fernwärmenetzen auf der Grundlage von historischen Daten und Wettervorhersagen. Der Vorhersagealgorithmus ist ein hochmodernes neuronales Netz auf LSTM-Basis (Long Short-Term Memory). Mit einem Minimum an Eingabedaten lieferte Predict-IT bei der Validierung mit realen Daten von zwei österreichischen Fernwärmenetzen realistische Wärmelastprognosen. Ein Schwerpunkt lag auf der Definition der Hyperparameter und der Beschränkung der Datenmenge für das Training der KI. Schlussendlich wurde der Gittersuchansatz von KerasTuner verwendet, um einen Bestand von Hyperparametern zu erhalten, die zufriedenstellende Vorhersagen liefern. Das Modelltraining wurde auf einer NVIDIA Quadro P2000 Grafikkarte durchgeführt. Die Software stellt also keinen besonders hohen Hardwareanforderungen, damit Nahwärmbetreiber nicht in kostenintensive Computer investieren müssen.
Für gängige Prozessleitsysteme, die in Österreichs Fernwärmen eingesetzt werden, können die Betriebsdaten direkt über Schnittstellen eingelesen werden. Data Mining Algorithmen zur Normalisierung, Umgang mit fehlenden Werten, oder zur Vorbereitung von Teilstichproben übernehmen die Aufbereitung der Daten, etwa mittels der Python Bibliothek Tensorflow. Danach sind lediglich einige Parameter, wie Standort, Prognosehorizont oder die Intervalle der Auswertung zu wählen und falls bereits ein Trainingsmodell vorhanden ist, erfolgt umgehend die Prognose. Anderenfalls wird dieses automatisch erstellt und angewendet. Wetterprognosen importiert PredictIT selbständig. Die Benutzerschnittstelle wurde durch das Web-Framework Django realisiert. Predict-IT zeichnet sich damit durch eine benutzerfreundliche webbasierte Nutzung und Installation (via Docker) aus.
Die Ergebnisse sind vielversprechend, auf Basis der Ergebnisse von predictIT und Lösungen der GET und AEE-Intec, wie Optimierung der Volumenströme, oder Einbau von Pufferspeichern kann der Primärenergieeinsatz um bis zu 10 % reduziert werden. Selbstverständlich sind Nahwärmebetreiber dazu aufgerufen selbst Gebrauch von der Software zu machen Sie ist unter der GNU General Public License 3 (GLP v3), sowohl im privaten als auch im kommerziellen Bereich kostenlos verfügbar.
Interessenten können per [Arno.Grabher-Meyer@v-research.at] weitere Informationen oder die Software mit Unterstützung bei der Implementierung anfragen. Auch wenn es derzeit schwer vorstellbar ist, aber der nächste Winter kommt bestimmt und bis dahin helfen die ACR-Experten und Expertinnen gerne bei der Effizienzsteigerung von Nahwärmenetzen.